JP5786776B2 - Substance identification method and mass spectrometry system used in the method - Google Patents

Substance identification method and mass spectrometry system used in the method Download PDF

Info

Publication number
JP5786776B2
JP5786776B2 JP2012064806A JP2012064806A JP5786776B2 JP 5786776 B2 JP5786776 B2 JP 5786776B2 JP 2012064806 A JP2012064806 A JP 2012064806A JP 2012064806 A JP2012064806 A JP 2012064806A JP 5786776 B2 JP5786776 B2 JP 5786776B2
Authority
JP
Japan
Prior art keywords
measurement
peak
identification
sample
identification probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2012064806A
Other languages
Japanese (ja)
Other versions
JP2013195317A (en
JP2013195317A5 (en
Inventor
賢志 山田
賢志 山田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Priority to JP2012064806A priority Critical patent/JP5786776B2/en
Priority to US13/848,324 priority patent/US9520277B2/en
Publication of JP2013195317A publication Critical patent/JP2013195317A/en
Publication of JP2013195317A5 publication Critical patent/JP2013195317A5/ja
Application granted granted Critical
Publication of JP5786776B2 publication Critical patent/JP5786776B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J49/00—Particle spectrometers or separator tubes
    • H01J49/0027—Methods for using particle spectrometers
    • H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C99/00—Subject matter not provided for in other groups of this subclass
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J49/00—Particle spectrometers or separator tubes
    • H01J49/004—Combinations of spectrometers, tandem spectrometers, e.g. MS/MS, MSn

Description

本発明は、ＭＳn測定（ただしｎは２以上の整数）を行うことが可能な質量分析装置を用いて試料に含まれる物質を同定する物質同定方法、及び、該方法により試料中の物質を同定するための質量分析システムに関する。 The present invention relates to a substance identification method for identifying a substance contained in a sample using a mass spectrometer capable of performing MS n measurement (where n is an integer of 2 or more), and a substance in a sample by the method. The present invention relates to a mass spectrometry system for identification.

生命科学の研究や医療、医薬品開発などの分野においては、生体試料を対象として、タンパク質、ペプチド、核酸、糖鎖など様々な物質を網羅的に同定することがますます重要になってきている。特にタンパク質やペプチドを対象とするこうした網羅的な解析手法はショットガン・プロテオミクス（Shotgun Proteomics）と呼ばれている。こうした解析のためには、ＬＣ（液体クロマトグラフ）やＣＥ（キャピラリ電気泳動）などのクロマトグラフィと、ＭＳn型質量分析装置（タンデム型質量分析装置）とを組み合わせた分析手法が非常に威力を発揮している。 In fields such as life science research, medical care, and drug development, it has become increasingly important to comprehensively identify various substances such as proteins, peptides, nucleic acids, and sugar chains in biological samples. Such a comprehensive analysis method especially for proteins and peptides is called Shotgun Proteomics. For such analysis, analytical methods combining LC (liquid chromatograph) and CE (capillary electrophoresis) and MS n- type mass spectrometers (tandem mass spectrometers) are extremely powerful. doing.

ＭＳn型質量分析装置を用いた生体試料中の各種物質の一般的な網羅的同定法の手順は次のとおりである。
［ステップ１］分析対象である試料に含まれる各種物質をＬＣ、ＣＥ等により分離し、その溶出液を分取・分画して多数のサンプルを調製する（以下、分取・分画により得られた個々のサンプルを「分画試料」と呼ぶ）。なお、試料を分取・分画する際には、予め決めた一定の時間間隔で分画を行う又は一定量の試料液を採取するように分画を行うことにより、該試料中の物質ができるだけ漏れなくいずれかの分画試料に含まれるようにする。 The procedure of a general exhaustive identification method for various substances in a biological sample using an MS n- type mass spectrometer is as follows.
[Step 1] Various substances contained in the sample to be analyzed are separated by LC, CE, etc., and a large number of samples are prepared by fractionating and fractionating the eluate (hereinafter obtained by fractionation and fractionation). Individual samples taken are called “fractional samples”). In addition, when fractionating and fractionating a sample, fractionation is performed at a predetermined time interval, or fractionation is performed so that a certain amount of sample solution is collected, so that substances in the sample can be collected. It should be included in one of the fractionated samples with as little leakage as possible.

［ステップ２］各分画試料に対しＭＳ1測定をそれぞれ行ってＭＳ1スペクトルを取得し、該ＭＳ1スペクトル上で同定対象の物質群に由来すると推測し得るピークを選択する。
［ステップ３］上記ステップ２で選択されたピークをプリカーサイオンに設定して当該分画試料に対しＭＳ2測定を実行し、その測定結果に基づくデータベース検索やデノボシーケンスサーチを行い、その分画試料に含まれる物質を同定する。 [Step 2] to get the MS 1 spectrum by performing each MS 1 measured for each fraction sample, selects a peak that can guess from the substance group to be identified on the MS 1 spectrum.
[Step 3] The peak selected in Step 2 above is set as a precursor ion, MS 2 measurement is performed on the fractionated sample, database search or de novo sequence search is performed based on the measurement result, and the fractionated sample is obtained. Identify substances contained in.

［ステップ４］充分な確度で特定の物質が同定されなかった場合には、ＭＳ1スペクトル上で見つけた別のピークをプリカーサイオンに設定してＭＳ2測定を実行するか、或いは、ＭＳ2スペクトル上で観測される特定のイオンをプリカーサイオンとしたさらに高次（つまりｎが３以上）のＭＳn測定を実行し、その測定結果に基づくデータベース検索やデノボシーケンスサーチなどにより、分画試料に含まれる物質を同定する。
［ステップ５］上記ステップ２〜４の処理を複数の分画試料に対してそれぞれ行い、元の試料に含まれている様々な物質を網羅的に同定する。 [Step 4] If a specific substance is not identified with sufficient accuracy, another peak found on the MS 1 spectrum is set as a precursor ion and MS 2 measurement is performed, or the MS 2 spectrum Perform higher-order MS n measurement (ie, n is 3 or more) using the specific ions observed above as precursor ions, and include them in fractionated samples by database search or de novo sequence search based on the measurement results. To identify
[Step 5] The processes in Steps 2 to 4 are performed on the plurality of fractionated samples, and various substances contained in the original sample are comprehensively identified.

上記のような網羅的同定において、高い確度で以て物質を同定するには、同一の分画試料に含まれる物質の種数が少ない（できれば１種類のみである）ことが望ましい。しかしながら、そのためには１つの分画の時間を短くする必要があり、そうすると分画数自体が非常に多くなってしまう。そこで、限られた測定時間又は測定回数でできるだけ多くの物質を同定するためには、つまり、網羅的同定のスループットを向上させるためには、ＭＳ1スペクトル上で観測される複数のピークの中で、同定に成功する確率（以下「同定確率」という）が高いピークを優先的にプリカーサイオンとして選択し且つ適切な測定条件で以てＭＳn測定を行う必要がある。 In the comprehensive identification as described above, in order to identify a substance with high accuracy, it is desirable that the number of types of substances contained in the same fraction sample is small (preferably only one type). However, for that purpose, it is necessary to shorten the time of one fraction, and in that case, the number of fractions itself becomes very large. Therefore, in order to identify as many substances as possible with a limited measurement time or number of measurements, that is, in order to improve the throughput of exhaustive identification, among the multiple peaks observed on the MS 1 spectrum. Therefore, it is necessary to preferentially select a peak having a high probability of successful identification (hereinafter referred to as “identification probability”) as a precursor ion and perform MS n measurement under appropriate measurement conditions.

或る試料に対して得られたＭＳ1スペクトル上で観測されるピークの中からＭＳ2測定のためのプリカーサイオンを選択する方法としては、ピーク強度が高いものから順に選択する方法が従来知られている（特許文献１参照）。或る１つの試料に対してＭＳ2測定を実行する時間や回数に制約がある場合には、ピーク強度の高い順に所定個数のピークに対応するイオンをプリカーサイオンとして選択する等の制御が行われている。他方、測定時間又は測定回数が充分に確保できる場合には、プリカーサイオンの選択個数に制約を設けずに、信号強度が所定閾値以上であるピークを全て抽出してプリカーサイオンとする方法も知られている。 As a method for selecting a precursor ion for MS 2 measurement from peaks observed on an MS 1 spectrum obtained for a certain sample, a method of selecting in order from the highest peak intensity is conventionally known. (See Patent Document 1). When there are restrictions on the time and number of times that MS 2 measurement is performed on a certain sample, control is performed such as selecting ions corresponding to a predetermined number of peaks as precursor ions in descending order of peak intensity. ing. On the other hand, when the measurement time or the number of measurements can be sufficiently secured, there is also known a method of extracting all peaks having a signal intensity equal to or higher than a predetermined threshold and setting them as precursor ions without limiting the number of selected precursor ions. ing.

これらの方法はあくまでも、ピーク強度の高いイオンが同定確率が高いとの仮定に基づいていると考えられる。この仮定自体は定性的に誤りであるというわけではないが、ピーク強度の高さは必ずしも同定確率の高さを示すものではない。そのため、プリカーサイオン候補であるピークが複数存在するときに、いずれのピークでも同程度の高い確率で以て同定に至る場合と、一部のピークしか同定に至ることが期待できない場合とがあるが、ピーク強度からそうした状況の相違を充分に識別することはかなり困難である。即ち、ＭＳ1スペクトル上の各ピークに対する同定確率を事前に、つまりＭＳ2測定の実行前に、定量的に評価する方法は従来確立されておらず、このことが網羅的同定の効率を下げる大きな要因となっている。 These methods are considered to be based on the assumption that ions with high peak intensity have a high identification probability. This assumption itself is not qualitatively wrong, but the peak intensity does not necessarily indicate the identification probability. For this reason, when there are multiple peaks that are precursor ion candidates, there are cases where identification is achieved with the same high probability in any peak, and there are cases where only some of the peaks can be expected to be identified. It is quite difficult to distinguish such a difference in the situation from the peak intensity. That is, a method for quantitatively evaluating the identification probability for each peak on the MS 1 spectrum in advance, that is, before performing the MS 2 measurement has not been established, and this greatly reduces the efficiency of comprehensive identification. It is a factor.

特許第３７６６３９１号公報Japanese Patent No. 3766391

アレクセイ・ナコルチェフスキー（Aleksey Nakorchevsky）、ほか１名、「エクスプローリング・データ-デペンデント・アクイジション・ストラテジーズ・ウィズ・ジ・インストゥルメント・コントロール・ライブラリーズ・フォー・ザ・サーモ・サイエンティフィック・インストゥルメンツ（Exploring Data-Dependent Acquisition Strategies with the Instrument Control Libraries for the Thermo Scientific Instruments）」、58th ASMS Conference、2010年Aleksey Nakorchevsky and one other, "Exploring Data-Dependent Acquisition Strategy with the Instrument Control Libraries for the Thermo Scientific Instruments (Exploring Data-Dependent Acquisition Strategies with the Instrument Control Libraries for the Thermo Scientific Instruments), 58th ASMS Conference, 2010

換言すれば、ＭＳn-1スペクトル上の各ピークに対する同定確率を定量的に評価することが可能であれば、そうした定量的な評価結果に基づいて、より適切なピークをプリカーサイオンとして選択したりより適切な順序で複数のピークをプリカーサイオンとして選択したりすることが可能である。こうした課題に対し、本願出願人は、既に特願２０１１−２４４６００号において、ＭＳ2測定を実行する前にそのＭＳ2測定結果を利用した物質同定の確率を定量的に推定する新規の手法を提案している。 In other words, if the identification probability for each peak on the MS n-1 spectrum can be quantitatively evaluated, a more appropriate peak can be selected as a precursor ion based on the quantitative evaluation result. It is possible to select a plurality of peaks as precursor ions in a more appropriate order. Such problems with respect, the present applicant has already in Japanese Patent Application No. 2011-244600, proposed a new method to quantitatively estimate the probability of the MS 2 measurements using substances identified before running the MS 2 measurement doing.

本発明は上記提案の同定確率推定手法の技術思想を利用して、試料中に含まれる多数の物質を効率的に、つまりはできるだけ少ない測定回数で以て又はできるだけ短い測定時間で以て得られた質量分析データに基づき高い確度で同定することができる、物質同定方法、及び該方法に用いられる質量分析システムを提供することを主たる目的としている。   The present invention makes it possible to obtain a large number of substances contained in a sample efficiently, that is, with as few measurements as possible or with as short a measurement time as possible by utilizing the technical idea of the proposed identification probability estimation method. The main object of the present invention is to provide a substance identification method that can be identified with high accuracy based on mass spectrometry data, and a mass spectrometry system used in the method.

上記課題を解決するために成された第１発明は、各種物質が含まれる試料を分離用パラメータに従って分離し分画することで得られた複数の分画試料に対しＭＳn測定（ｎは２以上の整数）をそれぞれ実行することで得られたＭＳnスペクトルに基づいて、各分画試料に含まれる物質を同定する物質同定方法であって、
a)所定の試料から得られた複数の分画試料に対するＭＳn-1測定により求まるＭＳn-1ピークのＳＮ比、及び該各ＭＳn-1ピークをプリカーサイオンとして実行されたＭＳn測定の結果に基づく物質同定の結果を利用して、同種試料に由来するＭＳn-1ピークのＳＮ比と複数のＭＳn-1ピークをＳＮ比順に従ってプリカーサイオンとして選択してＭＳn測定及び同定を実行していったときに充分な確度で何らかの物質が同定できたピークの累積数との関係を示す同定確率推定モデルを求め、該同定確率推定モデルを表現する同定確率推定モデル情報を記憶する同定確率推定モデル構築ステップと、
b)同定対象である目的試料から得られた少なくとも１つの分画試料に対するＭＳn-1測定が終了した状況で、そのＭＳn-1測定により求まったＭＳn-1ピークの中で、プリカーサイオンの候補となる複数のＭＳn-1ピークについてそれぞれＳＮ比を算出するピークＳＮ比算出ステップと、
c)前記同定確率推定モデル情報より求まる同定確率推定モデルを参照して、前記ピークＳＮ比算出ステップで算出されたＭＳn-1ピークのＳＮ比から該ＭＳn-1ピークの同定確率推定値を算出する同定確率推定ステップと、
d)前記プリカーサイオン候補となる複数のＭＳn-1ピークについてそれぞれ推定された同定確率推定値を用いて、該複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定するＭＳn測定順位決定ステップと、
を有することを特徴としている。
The first invention made to solve the above problem is to perform MS n measurement on a plurality of fraction samples obtained by separating and fractionating a sample containing various substances according to separation parameters (n is 2). A substance identification method for identifying substances contained in each fractionated sample based on MS n spectra obtained by executing each of the above integers),
a) S / N ratio of MS n-1 peak obtained by MS n-1 measurement for a plurality of fraction samples obtained from a predetermined sample, and MS n measurement performed using each MS n-1 peak as a precursor ion Using the results of substance identification based on the results, MS n measurement and identification are performed by selecting the MS n-1 peak SN ratio and multiple MS n-1 peaks derived from the same sample as precursor ions according to the SN ratio order. seeking identification probability estimation model showing the relationship between the cumulative number of peaks some substance could be identified in sufficient accuracy when began to run, and stores the identification probability estimation model information representing the said identification probability estimation model identification A probability estimation model construction step;
b) When MS n-1 measurement is completed for at least one fraction sample obtained from the target sample to be identified, among the MS n-1 peaks obtained by the MS n-1 measurement, the precursor ion A peak SN ratio calculating step for calculating an SN ratio for each of a plurality of MS n-1 peaks that are candidates for
c) Referring to the identification probability estimation model obtained from the identification probability estimation model information, the MS n-1 peak identification probability estimation value is calculated from the MS n-1 peak SN ratio calculated in the peak SN ratio calculation step. An identification probability estimation step to be calculated;
d) using said identified probability estimation value estimated respectively for a plurality of MS n-1 peak as a precursor ion candidate, MS n measurements order to determine the priority of MS n measurements for MS n-1 peak of the plurality of A decision step;
It is characterized by having.

また上記課題を解決するために成された第２発明は、各種物質が含まれる試料を分離用パラメータに従って分離し分画することで得られた複数の分画試料に対しＭＳn測定（ｎは２以上の整数）をそれぞれ実行することで得られたＭＳnスペクトルに基づいて、各分画試料に含まれる物質を同定するために用いられる質量分析システムであって、
a)所定の試料から得られた複数の分画試料に対するＭＳn-1測定により求まるＭＳn-1ピークのＳＮ比、及び該各ＭＳn-1ピークをプリカーサイオンとして実行されたＭＳn測定の結果に基づく物質同定の結果を利用して求められた、同種試料に由来するＭＳn-1ピークのＳＮ比と複数のＭＳn-1ピークをＳＮ比順に従ってプリカーサイオンとして選択してＭＳn測定及び同定を実行していったときに充分な確度で何らかの物質が同定できたピークの累積数との関係を示す同定確率推定モデルを表現する同定確率推定モデル情報を記憶しておく同定確率推定モデル情報記憶手段と、
b)同定対象である目的試料から得られた少なくとも１つの分画試料に対するＭＳn-1測定が終了した状況で該分画試料に対するＭＳn測定を実行するに先立って、そのＭＳn-1測定により求まったＭＳn-1ピークの中で、プリカーサイオンの候補となる複数のＭＳn-1ピークについてそれぞれＳＮ比を算出するピークＳＮ比算出手段と、
c)前記同定確率推定モデル情報より求まる同定確率推定モデルを参照して、前記ピークＳＮ比算出手段で算出されたＭＳn-1ピークのＳＮ比から該ＭＳn-1ピークの同定確率推定値を算出する同定確率推定手段と、
d)前記プリカーサイオン候補となる複数のＭＳn-1ピークについてそれぞれ推定された同定確率推定値を用いて、該複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定するＭＳn測定順位決定手段と、
を備え、前記ＭＳn測定順位決定手段で決定された優先順位に従って前記分画試料に対するＭＳn測定を実行することを特徴としている。
Further, the second invention made to solve the above-mentioned problems is that MS n measurement (n is a value of n) for a plurality of fraction samples obtained by separating and fractionating a sample containing various substances according to separation parameters. A mass spectrometry system used for identifying substances contained in each fractionated sample based on MS n spectra obtained by executing each of an integer of 2 or more,
a) S / N ratio of MS n-1 peak obtained by MS n-1 measurement for a plurality of fraction samples obtained from a predetermined sample, and MS n measurement performed using each MS n-1 peak as a precursor ion MS n measurement by selecting the MS n-1 peak SN ratio and multiple MS n-1 peaks derived from the same type of sample as precursor ions according to the SN ratio order, obtained using the results of substance identification based on the results The identification probability estimation model information that stores the identification probability estimation model information representing the relationship with the cumulative number of peaks in which any substance can be identified with sufficient accuracy when the identification is executed Information storage means;
b) Prior to performing MS n measurement on the fraction sample in a situation where MS n-1 measurement on at least one fraction sample obtained from the target sample to be identified is completed, the MS n-1 measurement is performed. Peak SN ratio calculating means for calculating an SN ratio for each of a plurality of MS n-1 peaks that are candidates for a precursor ion among the MS n-1 peaks obtained by
c) Referring to the identification probability estimation model obtained from the identification probability estimation model information, the MS n-1 peak identification probability estimation value is calculated from the MS n-1 peak SN ratio calculated by the peak SN ratio calculation means. An identification probability estimating means for calculating;
d) using said identified probability estimation value estimated respectively for a plurality of MS n-1 peak as a precursor ion candidate, MS n measurements order to determine the priority of MS n measurements for MS n-1 peak of the plurality of A determination means;
And performing the MS n measurement on the fractionated sample in accordance with the priority order determined by the MS n measurement order determining means.

本発明において、試料に含まれる各種物質を分離する手段はＬＣ、ＣＥなどである。該手段がＬＣなどカラムを用いたものである場合には、上記分離用パラメータとは時間（保持時間）である。即ち、或る１つの分画試料は所定の時間範囲内にカラムから溶出してきた１乃至複数の物質を含む。また、試料に含まれる各種物質を分離する手段がＣＥである場合には、上記分離用パラメータとは移動度である。   In the present invention, means for separating various substances contained in the sample are LC, CE, and the like. When the means uses a column such as LC, the separation parameter is time (retention time). That is, a certain fraction sample contains one or more substances eluted from the column within a predetermined time range. Further, when the means for separating various substances contained in the sample is CE, the separation parameter is mobility.

また、ＭＳnスペクトルに基づいて物質を同定する同定方法は特に限定されず、例えばデノボシーケンスサーチ、ＭＳ／ＭＳイオンサーチ、など任意のアルゴリズムを用いることができる。ただし、同定確率推定モデル構築ステップ（及び手段）において同定を実行するときと、目的試料から得られた同定試料に対して同定を実行するときとでは、同じアルゴリズムを使用する必要がある。 The identification method for identifying a substance based on the MS n spectrum is not particularly limited, and any algorithm such as a de novo sequence search or an MS / MS ion search can be used. However, it is necessary to use the same algorithm when performing identification in the identification probability estimation model construction step (and means) and when performing identification on the identified sample obtained from the target sample.

第１発明に係る物質同定方法において同定確率推定モデル構築ステップでは、ＭＳn-1測定、ＭＳn測定、及びその測定結果を利用した同定結果（同定の成否）が全て得られているデータを用いて、同定確率推定モデル情報を求める。同定確率推定モデルは、複数（通常はかなり多数）のＭＳn-1ピークのＳＮ比と、その複数のＭＳn-1ピークをＳＮ比の高い順又は低い順に従ってプリカーサイオンとして選択してＭＳn測定及び同定を実行していったときに充分な確度で何らかの物質が同定できた、つまりは同定に成功したピークの累積数と、の関係を示す。したがって、この同定確率推定モデルは、全てのＭＳn-1ピークの中で、或るＳＮ比を示す１つのＭＳn-1ピークよりもＳＮ比が高い又は低いＭＳn-1ピークが同定成功となる割合を示している。なお、或るＭＳ1ピークのＳＮ比は、そのＭＳ1ピークの信号強度と、該ピークが存在するＭＳ1スペクトル（ノイズ除去などの加工がされていないプロファイル）から求めたノイズレベルとから求まるものとすることができる。
In the substance identification method according to the first aspect of the invention, the identification probability estimation model construction step uses data in which MS n-1 measurement, MS n measurement, and identification results (successes in identification) using the measurement results are all obtained. Thus, identification probability estimation model information is obtained. Identification probability estimation model, a plurality (typically any number) and MS n-1 peak SN ratio of, select the plurality of MS n-1 peak as a precursor ion according to high SN ratio order or ascending order MS n measurements and were identified some material in sufficient accuracy when began to run identification, that is, shows the cumulative number of peaks successfully identified, the relationship. Therefore, the identification probability estimation model, among all MS n-1 peak, one MS SN ratio is higher than the n-1 peak or less MS n-1 peak indicating one SN ratio and identifying successful Shows the ratio. Note that the signal-to-noise ratio of a certain MS 1 peak is obtained from the signal intensity of the MS 1 peak and the noise level obtained from the MS 1 spectrum in which the peak exists (profile not subjected to processing such as noise removal). It can be.

具体的には、複数のＭＳn-1ピークをＳＮ比の高い順又は低い順に１つずつ選択した累積数と、その中で同定に成功したＭＳn-1ピークの総数との関係は、階段状に増加する形状になる。そこで、上記同定確率推定モデル構築ステップでは例えば、ＭＳnピークの累積数と同定成功数との連続的な関係を求めるべくフィッティングを行って滑らかなフィッティングカーブを求め、このカーブの形状を示す関数式又はその関数式に含まれる係数、定数を同定確率推定モデル情報とすればよい。 Specifically, the relationship between the cumulative number in which a plurality of MS n-1 peaks are selected one by one in descending order of S / N ratio and the total number of MS n-1 peaks that have been successfully identified is expressed in steps. It becomes the shape which increases in a shape. Therefore, in the identification probability estimation model construction step, for example, fitting is performed to obtain a continuous relationship between the cumulative number of MS n peaks and the number of successful identifications, a smooth fitting curve is obtained, and a functional equation indicating the shape of this curve is obtained. Alternatively, coefficients and constants included in the function formula may be used as identification probability estimation model information.

なお、適切な同定確率推定モデルは試料の種類、より厳密には試料に含まれる各種物質の種類に依存する。換言すれば、同定対象の物質の種類が同一又は類似していれば、同一の同定確率推定モデル情報を用いることができる。例えば生体試料中のタンパク質を同定するといった目的に対しては、同定済みのタンパク質を各種物質として含む試料について得られたＭＳn-1ピーク等に基づいて同定確率推定モデル情報を取得しておけばよい。 Note that an appropriate identification probability estimation model depends on the type of sample, more strictly, the type of various substances contained in the sample. In other words, if the types of substances to be identified are the same or similar, the same identification probability estimation model information can be used. For example, for the purpose of identifying proteins in biological samples, identification probability estimation model information should be acquired based on the MS n-1 peak obtained for samples containing identified proteins as various substances. Good.

含有物質が未知である試料から得られた或る１つの分画試料に対してＭＳn-1測定を行うことで得られたＭＳn-1スペクトル上で観測される複数のＭＳn-1ピークについて、例えばＭＳn測定を実行する前に、ピークＳＮ比算出ステップでは各ＭＳn-1ピークのＳＮ比を算出する。ＳＮ比の算出方法は同定確率推定モデル作成時と同方法とする。同定確率推定ステップでは、同定確率推定モデル情報より求まる同定確率推定モデルを参照して、各ＭＳn-1ピークのＳＮ比から同定確率推定値をそれぞれ算出する。これにより、実際に或るＭＳn-1ピークに対するＭＳn測定を行うことなく、そのＭＳn測定を実行した結果に基づく同定成否の推定確率が定量的に求まる。さらにＭＳn測定順位決定ステップでは、プリカーサイオン候補となる複数のＭＳn-1ピークについて上述したようにそれぞれ推定された同定確率推定値を用いて、該複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定する。 Multiple MS n-1 peaks observed on the MS n-1 spectrum obtained by performing MS n-1 measurement on a certain fraction sample obtained from a sample whose content is unknown For example, before the MS n measurement is performed, the SN ratio of each MS n-1 peak is calculated in the peak SN ratio calculation step. The method for calculating the S / N ratio is the same as that used when creating the identification probability estimation model. In the identification probability estimation step, the identification probability estimation value is calculated from the SN ratio of each MS n-1 peak with reference to the identification probability estimation model obtained from the identification probability estimation model information. As a result, the probability of identification success / failure based on the result of executing the MS n measurement is quantitatively obtained without actually performing the MS n measurement for a certain MS n-1 peak. In yet MS n measurements order determining step, using each estimated identified probability estimates as described above for a plurality of MS n-1 peak as a precursor ion candidate, MS n measurements for MS n-1 peak of the plurality of Determine the priority.

例えば、１つの分画試料に対してプリカーサイオン候補として抽出されるＭＳn-1ピークの個数が１つの分画試料に対して実施されるＭＳn測定実行回数を超えている場合には、上記優先順位に従って順に所定個数のプリカーサイオン候補に対してＭＳn測定を実行すればよい。この場合、優先順位の低い１乃至複数個のプリカーサイオン候補についてはＭＳn測定が実行されない。 For example, when the number of MS n-1 peaks extracted as a precursor ion candidate for one fraction sample exceeds the number of times of performing MS n measurement for one fraction sample, it may be executed MS n measured for the precursor ion candidates of a predetermined number in the order according to the priority. In this case, MS n measurement is not performed for one or a plurality of precursor ion candidates having a low priority.

１つの分画試料に対して実施が許可されるＭＳn測定実行回数が１つの分画試料に対してプリカーサイオン候補として抽出されるＭＳn-1ピークの個数を超えている場合には、１つのＭＳn-1ピークに対するＭＳn測定を複数回実行し、その各ＭＳn測定で得られたＭＳnスペクトルデータを積算することが可能である。ＭＳnスペクトルデータ積算によって積算前に比べてＭＳnスペクトルのＳＮ比が向上し、それによって同定確率の改善が期待できる。その同定確率の改善の程度は元の同定確率が高いほど大きいとは限らない。即ち、ＭＳn-1ピークに対する２回目又は３回目（或いはそれ以上の回数）のＭＳn測定を実行する場合にそのときの優先順位は、同定確率推定値ではなく同定確率の改善の程度に基づいて決められることが好ましい。 When the number of MS n measurement executions permitted for one fraction sample exceeds the number of MS n-1 peaks extracted as precursor ion candidates for one fraction sample, 1 It is possible to perform MS n measurement for one MS n-1 peak a plurality of times and integrate the MS n spectrum data obtained by each MS n measurement. The S / N ratio of the MS n spectrum is improved by the MS n spectrum data integration compared with that before the integration, thereby improving the identification probability. The degree of improvement of the identification probability is not necessarily greater as the original identification probability is higher. That is, when performing the second or third (or more) MS n measurement for the MS n-1 peak, the priority at that time is based on the improvement degree of the identification probability, not the identification probability estimate. It is preferable to be determined.

そこで、第１発明に係る物質同定方法では、好ましくは、
前記プリカーサイオン候補となる複数のＭＳn-1ピークについて前記同定確率推定ステップにおいてそれぞれ推定された同定確率推定値に基づいて、同一のＭＳn-1ピークに対するＭＳn測定を複数回行ってその測定結果を積算したときの同定確率の増加度合である同定確率増分推定値を求める同定確率増分推定ステップをさらに有し、
前記ＭＳn測定順位決定ステップでは、前記同定確率推定ステップによる各ＭＳn-1ピークの同定確率推定値と、前記同定確率増分推定ステップによる同定確率増分推定値とに基づいて、同一ＭＳn-1ピークに対する複数回のＭＳn測定を許容する条件の下で複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定するとよい。
また、第２発明に係る質量分析システムでも同様である。 Therefore, in the substance identification method according to the first invention, preferably,
Based on the identification probability estimation values estimated in the identification probability estimation step for a plurality of MS n-1 peaks that are candidates for the precursor ion, the MS n measurement for the same MS n-1 peak is performed a plurality of times and the measurement is performed. An identification probability increment estimation step for obtaining an identification probability increment estimate that is an increase degree of the identification probability when the results are integrated;
In the MS n measurement order determination step, based on the identification probability estimation value of each MS n-1 peak in the identification probability estimation step and the identification probability increment estimation value in the identification probability increment estimation step, the same MS n-1 The priority order of the MS n measurement for a plurality of MS n-1 peaks may be determined under a condition that allows a plurality of MS n measurements for the peak.
The same applies to the mass spectrometry system according to the second invention.

さらにまた、上記物質同定方法では、１つの分画試料に対するＭＳn測定実行回数の上限の下で、前記ＭＳn測定順位決定ステップで決定された優先順位と各ＭＳn-1ピークのＳＮ比とに基づいて、複数のＭＳn-1ピークに対するＭＳn測定を実行するための測定シーケンスを決定するＭＳn測定シーケンス決定ステップを有するものとするとよい。
ここでいう測定シーケンスとは、同一のＭＳn-1ピークに対する複数回のＭＳn測定の実行を含めた同一分画試料に対する全てのＭＳn測定の手順のことである。 Furthermore, in the above substance identification method, the priority order determined in the MS n measurement order determination step and the SN ratio of each MS n-1 peak under the upper limit of the number of times of performing MS n measurement for one fractionated sample, Based on the above, it is preferable to have an MS n measurement sequence determination step for determining a measurement sequence for performing MS n measurement on a plurality of MS n-1 peaks.
The measurement sequence referred to here is a procedure of all MS n measurements for the same fraction sample including execution of a plurality of times of MS n measurement for the same MS n-1 peak.

この発明によれば、１つの分画試料に対するＭＳn測定回数に拘わらず、同定される物質数の期待値が常に最大となるように測定シーケンスが定められる。これにより、同じ測定時間又は測定回数の下で最大限の数の物質の同定が可能となる。 According to the present invention, the measurement sequence is determined so that the expected value of the number of substances to be identified is always the maximum regardless of the number of times of measuring MS n for one fraction sample. As a result, the maximum number of substances can be identified under the same measurement time or number of measurements.

また、第１発明に係る物質同定方法では、前記目的試料に対する測定に先立って前記所定の試料に対する測定を実行し、前記同定確率モデル構築ステップではその測定結果に基づいて同定確率推定モデルを作成することが好ましい。同定確率モデル構築用の所定試料に対する測定を目的試料に対する測定の直前に実行することにより、例えばノイズ環境が殆ど同一である等、測定条件がほぼ揃う。それにより、所定試料について求めた同定確率推定モデルの適用精度が向上し、同定確率推定値自体の精度も向上して、より的確な優先順位を求めることが可能となる。   In the substance identification method according to the first aspect of the invention, the measurement for the predetermined sample is executed prior to the measurement for the target sample, and the identification probability estimation model is created based on the measurement result in the identification probability model construction step. It is preferable. By executing the measurement for the predetermined sample for constructing the identification probability model immediately before the measurement for the target sample, the measurement conditions are almost the same, for example, the noise environment is almost the same. Thereby, the application accuracy of the identification probability estimation model obtained for the predetermined sample is improved, the accuracy of the identification probability estimation value itself is also improved, and a more accurate priority order can be obtained.

また、第１発明に係る物質同定方法では、分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出ステップ、前記同定確率推定ステップ、前記ＭＳn測定順位決定ステップ、及びＭＳn測定シーケンス決定ステップによる一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定するとよい。この場合、１つの分画試料に対して決められた測定シーケンスに従って複数のＭＳn-1ピークのそれぞれをプリカーサイオンとしたＭＳn測定を実行すればよいので、ＭＳn測定の制御は簡単で済む。 In the substance identification method according to the first invention, prior to the execution of MS n measurement on the fractionated sample, the peak SN ratio calculation step, the identification probability estimation step, the MS n measurement order determination step, and the MS n measurement The measurement sequence of MS n measurement for the fraction sample may be determined by a series of processes by the sequence determination step. In this case, it is only necessary to execute MS n measurement using each of a plurality of MS n-1 peaks as a precursor ion in accordance with a measurement sequence determined for one fraction sample, so that control of MS n measurement is simple. .

また、第１発明に係る物質同定方法では、分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出ステップ、前記同定確率推定ステップ、前記ＭＳn測定順位決定ステップ、及びＭＳn測定シーケンス決定ステップによる一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定するとともに、該測定シーケンスに従ってＭＳn測定を開始しその測定の途中段階で得られた同定結果を利用してその測定シーケンスを変更するようにしてもよい。 In the substance identification method according to the first invention, prior to the execution of MS n measurement on the fractionated sample, the peak SN ratio calculation step, the identification probability estimation step, the MS n measurement order determination step, and the MS n measurement The measurement sequence of MS n measurement for the fractionated sample is determined by a series of processing by the sequence determination step, and MS n measurement is started according to the measurement sequence, and the identification result obtained in the middle of the measurement is used to The measurement sequence may be changed.

例えば、測定シーケンスに従って順次異なる又は同一のＭＳn-1ピークについてＭＳn測定を実行する途中で、ＭＳn測定結果に基づく同定ができない状態が続いたならば、その時点でその測定シーケンスに従ったＭＳn測定を中止し、次の分画試料に対するＭＳn測定及び同定処理に移行してもよい。これにより、同定確率推定モデルと実際の同定結果との乖離がある程度存在する場合に、無駄なＭＳn測定の実行をできるだけ少なくし、同定効率が下がることを回避することができる。 For example, if MS n measurement is sequentially performed for different or identical MS n-1 peaks according to the measurement sequence, and the identification based on the MS n measurement result continues, the measurement sequence is followed at that time. The MS n measurement may be stopped, and the process may proceed to MS n measurement and identification processing for the next fraction sample. As a result, when there is a certain degree of discrepancy between the identification probability estimation model and the actual identification result, it is possible to reduce unnecessary execution of MS n measurement as much as possible and avoid a reduction in identification efficiency.

第１発明に係る物質同定方法及び第２発明に係る質量分析システムによれば、ＭＳn-1測定結果から複数のＭＳn-1ピークがプリカーサイオン候補として抽出された場合に、そのＭＳn測定や同定処理を行う前に、同定される物質数の期待値が最大になるようにプリカーサイオンを選択したり、異なる又は同一のＭＳn-1ピークに対するＭＳn測定の順序を定めたりすることができる。それにより、例えば、従来と同程度の数の物質の同定を成功させるのに要する測定時間を短縮する又は測定回数を減らすことができる。また、従来と同じ測定時間や測定回数であれば、それだけ多くの物質を同定することができるようになる。 According to the substance identification method according to the first invention and the mass spectrometry system according to the second invention, when a plurality of MS n-1 peaks are extracted as precursor ion candidates from the MS n-1 measurement result, the MS n measurement is performed. And before performing the identification process, the precursor ion may be selected so that the expected number of substances to be identified is maximized, or the order of MS n measurements for different or identical MS n-1 peaks may be determined. it can. Thereby, for example, it is possible to reduce the measurement time or the number of measurements required to successfully identify the same number of substances as in the past. In addition, if the measurement time and the number of times of measurement are the same as in the past, it becomes possible to identify as many substances as possible.

本発明に係る物質同定方法を実施する質量分析システムの概略ブロック構成図。The schematic block block diagram of the mass spectrometry system which enforces the substance identification method which concerns on this invention. 本発明に係る物質同定方法における同定確率推定モデル構築の際の処理フローチャート。The processing flowchart in the case of the identification probability estimation model construction in the substance identification method which concerns on this invention. 本発明に係る物質同定方法において同定確率推定モデルに基づくＭＳ2測定シーケンス最適化処理のフローチャート。Flow chart of MS 2 measurement sequence optimization process based on the identification probability estimation model in material identification method according to the present invention. ノイズレベル評価処理を説明するためのＭＳ1プロファイル（マススペクトル）の一例を示す図。It shows an example of MS 1 profile for explaining the noise level evaluation process (mass spectrum). ２つのＭＳ1プロファイルに対するノイズレベル算出結果例を示す図。It shows the noise level calculation result example for two MS 1 profile. 質量電荷比m/zとＳＮ比とに対するＭＳ1ピークの分布状況の一例を示す図。It illustrates an example of a distribution of MS 1 peak to the mass-to-charge ratio m / z and SN ratio. ＭＳ1ピークをＳＮ比で順位付けしたときの、同定に成功したＭＳ1ピークの経験累積分布関数の概念を示す模式図。MS 1 when the peak was ranked in SN ratio, schematic view showing the concept of empirical cumulative distribution function of the MS 1 peak successfully identified. 同定に成功したＭＳ1ピークの経験累積分布関数、該分布関数に対するフィッティング関数、及び該フィッティング関数に基づく同定確率推定値の変化を示す図。The figure which shows the change of the empirical cumulative distribution function of the MS 1 peak which succeeded in identification, the fitting function with respect to this distribution function, and the identification probability estimated value based on this fitting function. 通常のデータ積算回数（１回）における同定確率の推定値とＭＳ1ピークのＳＮ比との関係、並びに２及び３倍のデータ積算時の同定確率増分推定値とＭＳ1ピークのＳＮ比との関係を示す図。The relationship between the estimated value of the identification probability and the S / N ratio of the MS 1 peak at the normal number of times of data integration (one time), and the identification probability increment estimated value and the S / N ratio of the MS 1 peak during 2- and 3-fold data integration The figure which shows a relationship. ＳＮ比が相違する５個のＭＳn-1ピークに対する同定確率推定値並びに２及び３倍のデータ積算による同定確率増分推定値を示す図。The figure which shows the identification probability estimated value with respect to five MS n-1 peaks from which S / N ratio differs, and the identification probability increment estimated value by 2 and 3 times data integration.

以下、本発明に係る物質同定方法の一実施例、及び該方法による物質同定を実施するための質量分析システムの一実施例について、添付の図面を参照して詳細に説明する。   Hereinafter, an embodiment of a substance identification method according to the present invention and an embodiment of a mass spectrometry system for carrying out substance identification by the method will be described in detail with reference to the accompanying drawings.

本発明に係る物質同定方法は、目的試料からＬＣ等により分離・分画されることで得られた多数の分画試料に対し、それぞれＭＳn-1測定を実行して得られるＭＳn-1スペクトル上に現れる１又は複数のＭＳn-1ピークをプリカーサイオンに選出して該プリカーサイオンに対するＭＳn測定を行い、それにより得られるＭＳnスペクトルを利用して目的試料に含まれる各種物質を同定する質量分析システム（又は化合物同定システム）において、実際にＭＳn測定を実行する前に、ＭＳn-1スペクトル上のＭＳ1ピークについて物質の同定が成功する確率を定量的に推定し、それに基づいてＭＳnピークの選択の順序等を含むＭＳn測定シーケンスを最適化又はそれに近い状態とするための処理に特徴を有する。 Material identification method according to the present invention, MS n-1 for a number of fractions samples obtained by bounded-minute separated by LC or the like from the target sample, obtained by executing MS n-1 respectively measured One or more MS n-1 peaks appearing on the spectrum are selected as precursor ions, MS n measurement is performed on the precursor ions, and various substances contained in the target sample are identified using the resulting MS n spectrum. In the mass spectrometry system (or compound identification system), the probability of successful substance identification for the MS 1 peak on the MS n-1 spectrum is quantitatively estimated before actual MS n measurement is performed. has a feature Te processing to a state close to optimize or MS n measurement sequence including the sequence or the like of the selection of the MS n peak.

まず、本発明におけるＭＳn測定シーケンス最適化方法を１つの具体例を挙げて説明する。
この例による方法では、予備的に、つまり同定対象である目的試料の測定及び同定処理に先立って、多くの物質を含む同定確率推定モデル構築用試料（以下、単に「モデル構築用試料」という）に対する測定及び同定処理の結果を利用して、同定確率推定モデルを作成しておく。この同定確率推定モデルは、ＭＳ2測定及び同定実行前のＭＳ1ピークをプリカーサイオンとしてＭＳ2測定及び同定処理を実行したと仮定したときに同定が成功する確率を推測するための参照データである。モデル構築用試料は目的試料と同種、例えば目的試料がペプチド混合物である場合にはモデル構築用試料もペプチド混合物であることが好ましい。 First, the MS n measurement sequence optimization method according to the present invention will be described with one specific example.
In the method according to this example, an identification probability estimation model construction sample containing a large number of substances (hereinafter simply referred to as “model construction sample”) is prepared in advance, that is, prior to measurement and identification processing of a target sample to be identified. An identification probability estimation model is created using the results of the measurement and identification process for. This identification probability estimation model is reference data for estimating the probability of successful identification when it is assumed that the MS 2 measurement and the identification process are executed with the MS 1 peak before the MS 2 measurement and the identification execution as a precursor ion. . The model construction sample is the same type as the target sample. For example, when the target sample is a peptide mixture, the model construction sample is also preferably a peptide mixture.

図２は同定確率推定モデル構築処理の手順を示すフローチャートである。図２により同定確率推定モデルを作成する手順を詳細に説明する。   FIG. 2 is a flowchart showing a procedure of identification probability estimation model construction processing. The procedure for creating the identification probability estimation model will be described in detail with reference to FIG.

［ステップＳ１１］同定確率推定モデル構築用データの収集
まず、モデル構築用試料をＬＣで分離して、所定の分画時間毎に分取された多数の分画試料を調製する。そして、各分画試料に対しＭＳ1測定が実施され、ＭＳ1スペクトルデータが収集される。さらに、このＭＳ1スペクトルデータに基づいて抽出される各ＭＳ1ピークに対して、１回のＣＩＤ操作を加えたＭＳ2測定が実施されてＭＳ2スペクトルデータが収集され、そのＭＳ2スペクトルデータを用いた同定処理が試みられる。 [Step S11] Collection of Identification Probability Estimating Model Construction Data First, the model construction sample is separated by LC, and a number of fraction samples collected at predetermined fractionation times are prepared. Then, MS 1 measurement is performed on each fractionated sample, and MS 1 spectrum data is collected. Furthermore, for each MS 1 peak is extracted based on the MS 1 spectral data, once CID operating the MS 2 measurement plus is performed of MS 2 spectra data is collected, the MS 2 spectra data The identification process used is attempted.

上述したように保持時間に応じて分画された各分画試料に含まれる物質を同定する場合には、各分画試料のＭＳ1スペクトルを保持時間の順に並べて３次元的なＭＳ1スペクトルを求める。そして、該３次元ＭＳ1スペクトルに対して質量電荷比m/z−保持時間の２次元平面上でピーク検出を行ってＭＳ1ピークを抽出し、該ＭＳ1ピークの質量電荷比をプリカーサイオンとしてＭＳ2測定を行いＭＳ2スペクトルを取得する。そして、そのＭＳ2スペクトルに基づいて所定の同定アルゴリズム（例えばデノボシーケンスサーチやＭＳ／ＭＳイオンサーチなど）により物質の同定を試みる。この同定はＭＳ1ピーク毎に行われるから、３次元ＭＳ1スペクトルから抽出されるＭＳ1ピーク毎に同定の成功又は失敗（同定できず）が決まる。 As described above, when identifying substances contained in each fractionated sample fractionated according to the retention time, the MS 1 spectra of the fractionated samples are arranged in the order of the retention time, and a three-dimensional MS 1 spectrum is obtained. Ask. Then, extract the MS 1 peak performing peak detection on the two-dimensional plane of the mass-to-charge ratio m / z-retention time with respect to the three-dimensional MS 1 spectra, the mass-to-charge ratio of the MS 1 peak as a precursor ion MS 2 measurement is performed to obtain an MS 2 spectrum. Then, based on the MS 2 spectrum, identification of the substance is attempted by a predetermined identification algorithm (for example, de novo sequence search, MS / MS ion search, etc.). Since this identification is performed for each MS 1 peak, (can not be identified) success or failure identification for each MS 1 peak is extracted from the three-dimensional MS 1 spectrum is determined.

［ステップＳ１２］ＭＳ1スペクトルのノイズレベルの評価
後述する同定確率はＭＳ1スペクトルのノイズレベルの影響を受ける。そこで、モデル構築用試料に対するＭＳ1スペクトルのノイズレベルを評価する。本例では、次のステップＳ１２１〜Ｓ１２３の手順により、 ＭＳ1測定により得られた生データ（加工されていないデータ）であるＭＳ1ロー（raw）プロファイル（以下、単に「ロープロファイル」という）からノイズレベルを分画試料毎に、つまりＭＳ1スペクトル毎に評価する。以下の説明では、離散化されたロープロファイルの信号強度をＲmとおく。ただし、ｍ＝０、１、…は、評価対象である試料のロープロファイルの、サンプリング点における質量電荷比の順序を示す番号である。ロープロファイルに含まれるサンプリング点全体の集合はＭで表すものとする。 [Step S12] Identification probability evaluation described below in MS 1 spectrum of the noise level is affected by the noise level of the MS 1 spectrum. Therefore, the noise level of the MS 1 spectrum for the model construction sample is evaluated. In this example, from the MS 1 raw profile (hereinafter simply referred to as “low profile”) which is raw data (unprocessed data) obtained by MS 1 measurement by the procedure of the following steps S121 to S123. The noise level is evaluated for each fractionated sample, that is, for each MS 1 spectrum. In the following description, the discretized low profile signal strength is R m . Here, m = 0, 1,... Are numbers indicating the order of the mass-to-charge ratio at the sampling point of the low profile of the sample to be evaluated. A set of all sampling points included in the low profile is represented by M.

［ステップＳ１２１］ピーク部分及びピーク近傍の情報の除外
ロープロファイルの最大ピーク強度をＰ(max)とおく。つまり、次の(1)式のようにおく。
Ｐ(max)＝ max Ｒm …(1)
（ただしｍ∈Ｍ）
ここで、ピーク近傍の判定用閾値μ（０＜μ＜１）を適宜に選び、信号強度が最大ピーク強度Ｐ(max)のμ倍以上であるサンプリング点をピーク部分であるとみなす。そして、ピーク部分に含まれるサンプリング点、つまり信号強度がμ・Ｐ(max)以上であるサンプリング点からの距離がｗ以内であるサンプリング点、を除いたサンプリング点の集合Ｍ’(ｗ，μ)を求める。図４（ａ）はm/z 1060-m/z 1080の範囲についてＭＳ1スペクトルのロープロファイルに対しサンプリング点集合Ｍ’(ｗ，μ)を求めた例であり、図４（ｂ）は（ａ）のm/z 1070-m/z 1075の範囲の拡大図である。 [Step S121] Exclusion of information about peak portion and peak vicinity The maximum peak intensity of the low profile is set to P (max) . That is, the following equation (1) is set.
P (max) = max R m (1)
(Where m∈M)
Here, a judgment threshold value μ (0 <μ <1) in the vicinity of the peak is appropriately selected, and a sampling point whose signal intensity is not less than μ times the maximum peak intensity P (max) is regarded as a peak part. Then, a sampling point set M ′ (w, μ) excluding sampling points included in the peak portion, that is, sampling points whose distance from the sampling point whose signal intensity is μ · P (max) or more is within w. Ask for. FIG. 4A shows an example in which the sampling point set M ′ (w, μ) is obtained for the low profile of the MS 1 spectrum in the range of m / z 1060-m / z 1080, and FIG. It is the enlarged view of the range of m / z 1070-m / z 1075 of a).

［ステップＳ１２２］局所的な信号変動量の算定
次に、上記ピーク部分とピーク近傍とを除外したサンプリング点集合Ｍ’(ｗ，μ)において、通過帯域が半値幅ｗであるフィルタによりロープロファイルを平滑化した、平滑化プロファイル*Ｒm(ｗ，μ)を求める。つまり、*Ｒm(ｗ，μ)は次の(2)式で求まる。
*Ｒm(ｗ，μ)＝｛１／（２ｗ＋１）｝ΣＲm' …(2)
（ただしｍ∈Ｍ’(ｗ，μ)）
ここで、Σはｍ’＝−ｗからｗまでの総和である。この平滑化プロファイル*Ｒm(ｗ，μ)と元のロープロファイルとの差を局所的な信号変動量と定義し、ΔＲm(ｗ，μ)で表す。つまり、ΔＲm(ｗ，μ)は次の(3)式で求まる。
ΔＲm(ｗ，μ)＝Ｒm−*Ｒm(ｗ，μ) …(3) [Step S122] Calculation of Local Signal Variation Next, in the sampling point set M ′ (w, μ) excluding the peak portion and the vicinity of the peak, a low profile is obtained by a filter whose pass band is a half width w. A smoothed smoothing profile * R m (w, μ) is obtained. That is, * R m (w, μ) is obtained by the following equation (2).
* R m (w, μ) = {1 / (2w + 1)} ΣR m ′ (2)
(Where m∈M ′ (w, μ))
Here, Σ is the sum from m ′ = − w to w. The difference between the smoothing profile * R m (w, μ) and the original low profile is defined as a local signal fluctuation amount and is represented by ΔR m (w, μ). That is, ΔR m (w, μ) is obtained by the following equation (3).
ΔR m (w, μ) = R m − * R m (w, μ) (3)

［ステップＳ１２３］局所的な信号変動量に基づくノイズレベルの算定
ここでは、上記局所的な信号変動量ΔＲm(ｗ，μ)の２乗平均のｃ倍をノイズレベルＮ(Ｒm；ｗ，μ)と定義する。ｃはノイズレベルを定義するための適当な定数である。つまり、Ｎ(Ｒm；ｗ，μ)の定義式は次の(4)式である。
Ｎ(Ｒm；ｗ，μ) ＝ｃ・√｛ΣΔＲm(ｗ，μ)2｝ …(4)
なお、ノイズレベルの定義は上記説明のものに限定されるわけではなく、ＭＳ1スペクトルのノイズレベルを適切に定義できる方法でありさえすればよい。
実際の２つのＭＳ1ロープロファイルに基づいて、上記方法によりノイズレベルＮ(Ｒm；ｗ，μ)を算定した結果の例を図５に示す。
[Step S1 2 3] Calculation of noise level based on local signal fluctuation amount Here, c times the root mean square of the local signal fluctuation amount ΔR m (w, μ) is defined as a noise level N (R m ; w, μ). c is an appropriate constant for defining the noise level. That is, the definition formula of N (R m ; w, μ) is the following formula (4).
N (R m ; w, μ) = c · √ {ΣΔR m (w, μ) 2 } (4)
Note that the definition of the noise level is not limited to that described above, as long as the noise level of the MS 1 spectrum can be appropriately defined.
FIG. 5 shows an example of the result of calculating the noise level N (R m ; w, μ) by the above method based on two actual MS 1 low profiles.

［ステップＳ１３］同定成功ＭＳ1ピークの抽出
図６は、モデル構築用試料由来の全てのＭＳ1ピークの質量電荷比m/zとＳＮ比とをプロットした結果の例である。ここで、ＳＮ比はピーク強度とステップＳ１２で求めたノイズレベルとの比である。図６に□印で示したプロット点はＭＳ1ピークを示している。また、●印で示したプロット点は、そのＭＳ1ピークをプリカーサイオンとしたＭＳ2測定によって物質同定が可能であった、即ち、同定に成功したＭＳ1ピークを示している。図６を見ると、この例では、ＳＮ比が大きいほど同定に成功するＭＳ1ピークの割合が大きくなる傾向にあることが分かる。これは本例に限らず、一般的な傾向である。 [Step S13] Extraction of Successful Identification of MS 1 Peak FIG. 6 is an example of a result of plotting the mass-to-charge ratio m / z and the SN ratio of all MS 1 peaks derived from the model construction sample. Here, the SN ratio is a ratio between the peak intensity and the noise level obtained in step S12. Plot points indicated by □ in FIG. 6 indicate MS 1 peaks. Further, the plotted points shown by the symbol ●, the MS 1 peak substance identified by MS 2 measurements with precursor ions were possible, that is, the MS 1 peak successfully identified. FIG. 6 shows that in this example, the ratio of the MS 1 peak that succeeds in identification tends to increase as the S / N ratio increases. This is not limited to this example and is a general tendency.

［ステップＳ１４］ＭＳ1ピークのＳＮ比と同定成功ＭＳ1ピーク累積数との関係付け
ＳＮ比の大きい順にＭＳ1ピークを抽出して「１」から順位付けし（つまりＭＳ1ピークをＳＮ比が大きい順にソートして順位を付け）、その順位毎にそれまでに同定に成功したＭＳ1ピークの数（累積数）を求めると、図７に示すように、累積数が右上がりの階段状に変化するグラフが描ける。図７中の実線で示す階段状の折れ線は、例えば、順位１のＳＮ比を示すＭＳ1ピークは同定に成功し、順位１よりも低いＳＮ比である順位３のＳＮ比を示すＭＳ1ピークは同定に失敗したことを意味している。この折れ線は、或るＳＮ比以上を示すＭＳ1ピークのうち幾つのＭＳ1ピークが同定に成功したのかを示す経験累積分布関数である。 [Step S14] in descending order of relationship with the SN ratio of the MS 1 peak SN ratio of the identification success MS 1 peak cumulative number to extract MS 1 peak ranks from "1" (i.e. SN ratio MS 1 peak Sorted in descending order and given ranks), and for each rank, the number of MS 1 peaks that have been identified so far (cumulative number) is calculated, as shown in FIG. Draw a changing graph. The stepped broken line shown by the solid line in FIG. 7 indicates that, for example, the MS 1 peak indicating the SN ratio of rank 1 has been successfully identified, and the MS 1 peak indicating the SN ratio of rank 3 which is an SN ratio lower than rank 1 Means that identification failed. This polygonal line is an empirical cumulative distribution function that indicates whether the MS 1 peak of number is successfully identified within the MS 1 peak indicating the more certain SN ratio.

ただし、図６から分かるように、この例では、同一の質量電荷比に対する複数のＭＳ1ピーク（ＳＮ比は同一とは限らない）に対してそれぞれ個別に同定が行われている。そのため、質量電荷比の重なりが多いと、同定の成否に対する質量電荷比の重なりの影響が相対的に強くなり過ぎるおそれがある。そこで、これを避けるために、同一の質量電荷比であるＭＳ1ピークＮ個（Ｎは２以上の整数）に対してそれぞれ同定がなされた場合には、個々の同定は１／Ｎ回であるとみなして経験累積分布関数を求めるほうが好ましい。図７に示した例では、順位１、２、４、５、及び８において同定に成功した場合を表しているが、図７中の実線は質量電荷比の重複を考慮しない経験累積分布関数である。ここで、順位２及び８に含まれる同定に成功した複数のＭＳ1ピークが同一質量電荷比を有していた場合には、重複を考慮してその順位２、８のＭＳ1ピークをそれぞれ１／２とカウントして、経験累積分布関数を図７中に一点鎖線で示すように修正する。 However, as can be seen from FIG. 6, in this example, identification is performed individually for each of a plurality of MS 1 peaks (the SN ratio is not necessarily the same) for the same mass-to-charge ratio. For this reason, if the mass-to-charge ratio overlap is large, the influence of the mass-to-charge ratio overlap on the success or failure of the identification may become relatively strong. Therefore, in order to avoid this, when identification is performed for N MS 1 peaks (N is an integer of 2 or more) having the same mass-to-charge ratio, each identification is 1 / N times. It is more preferable to calculate the empirical cumulative distribution function. In the example shown in FIG. 7, the cases where the identification is successful in the ranks 1, 2, 4, 5, and 8 are shown, but the solid line in FIG. 7 is an empirical cumulative distribution function that does not consider the overlap of the mass-to-charge ratio. is there. Here, when a plurality of MS 1 peaks successfully identified in the ranks 2 and 8 have the same mass-to-charge ratio, the MS 1 peaks in the ranks 2 and 8 are each 1 in consideration of duplication. The empirical cumulative distribution function is corrected as indicated by a one-dot chain line in FIG.

図６に示したＭＳ1ピークの同定成否分布の例について、上述したように質量電荷比の重複を考慮した経験累積分布関数を求めると、図８中に示すような階段状のプロファイルが得られる。順位が大きくなるほど、つまりはＭＳ1ピークのＳＮ比が下がるほど、同定に成功するＭＳ1ピークの数は減るため、同定成功累積数は頭打ちになることが分かる。 For the example of the identification success / failure distribution of the MS 1 peak shown in FIG. 6, when the empirical cumulative distribution function taking into account the overlap of the mass-to-charge ratio is obtained as described above, a step-like profile as shown in FIG. . It can be seen that the higher the rank, that is, the lower the signal-to-noise ratio of the MS 1 peak, the smaller the number of MS 1 peaks that succeed in identification, so that the cumulative number of successful identifications reaches a peak.

［ステップＳ１５］同定確率推定モデルとパラメータの算出
ステップＳ１４で得られた階段状のプロファイルに対し解析的な関数を用いてフィッティングを行うことにより、ＳＮ比に従ったＭＳ1ピークの累積数と同定成功累積数との滑らかなカーブ状の関係を求める。ここでは、フィッティング関数の形状として、次の(5)式の双曲線関数を用いた。
Ｎ(ident)tanh（ｎ／Ｎ(all)σ） …(5)
ただし、ｎは或る順位よりも上位順位であるＭＳ1ピークの総数であり、Ｎ(all)及びＮ(ident)はそれぞれＭＳ1ピークの総数及び同定に成功したＭＳ1ピークの総数である。また、σはフィッティング関数の立ち上がりの速さを定めるパラメータであり、先に求めた階段状のプロファイルにフィットするように算出する。図８中に階段状のプロファイルにフィットさせたフィッティング関数を一点鎖線で示している。このフィッティング関数のカーブが同定確率推定モデルであり、σはこのモデルを規定するパラメータである。
[Step S15] Identification Probability Estimation Model and Parameter Calculation The cumulative number of MS 1 peaks and identification according to the S / N ratio are performed by fitting the stepped profile obtained in step S14 using an analytical function. Find a smooth curve-like relationship with the cumulative number of successes. Here, the hyperbolic function of the following equation (5) was used as the shape of the fitting function.
N (ident) tanh ( n / N (all) σ) (5)
Here, n is the total number of MS 1 peak is higher ranking than a certain rank, N (all) and N (ident) is the total number of MS 1 peak was successful to the total number and identification of MS 1 peak, respectively. Further, σ is a parameter that determines the rising speed of the fitting function, and is calculated so as to fit the stepped profile obtained previously. In FIG. 8, the fitting function fitted to the step-like profile is indicated by a one-dot chain line. The curve of the fitting function is an identification probability estimation model, and σ is a parameter that defines the model.

なお、(5)式のフィッティング関数の傾きが１であるということは１００％、その傾きが０．５であるということは５０％の確率で以て同定に成功することを示している。したがって、フィッティング関数の微分である次の(6)式により、或るＭＳ1ピークに対し、その順位値ｎから同定に成功する確率を推定することができる。
（Ｎ(ident)／Ｎ(all)σ）sech2（ｎ／Ｎ(all)σ） …(6)
図８には上記微分関数で示される推定同定確率も重ねて示してある。
Note that the slope of the fitting function in equation (5) is 1 means 100%, and that the slope is 0.5 means that the identification is successful with a probability of 50%. Therefore, with the following equation (6) which is the derivative of the fitting function, the probability of successful identification can be estimated from a rank value n for a certain MS 1 peak.
(N (ident) / N (all) σ) sech 2 (n / N (all) σ) (6)
FIG. 8 also shows the estimated identification probability indicated by the differential function.

以上のような手順で、同定確率推定モデルを定めるパラメータσを算出することができるから、同定確率を推定するためにはこのパラメータσを記憶しておけばよい（ステップＳ１６）。   The parameter σ for determining the identification probability estimation model can be calculated by the procedure as described above. Therefore, the parameter σ may be stored in order to estimate the identification probability (step S16).

次に、上記のような同定確率推定モデルのパラメータが予め用意されている状況の下で、目的試料をＬＣで分離し分取することで得られた分画試料をＭＳ1測定して求まるＭＳ1スペクトルに基づいて、プリカーサイオンとして適切なＭＳ1ピークを選択するとともに最適なＭＳ2測定のための測定シーケンスを決定する際の処理手順を、図３に示すフローチャートに従って説明する。 Next, in a situation where the parameters of the identification probability estimation model as described above are prepared in advance, the MS obtained by measuring the fractionated sample obtained by separating the target sample by LC and fractionating is measured by MS 1 A procedure for selecting an appropriate MS 1 peak as a precursor ion based on one spectrum and determining a measurement sequence for optimal MS 2 measurement will be described with reference to the flowchart shown in FIG.

［ステップＳ２１］目的試料由来のＭＳ1測定データの収集
まず、目的試料から調製された多数の分画試料に対してそれぞれＭＳ1測定が実行され、ＭＳ1スペクトルデータが収集される。そして、各分画試料のＭＳ1スペクトルを保持時間の順に並べて３次元的なＭＳ1スペクトルを求め、該３次元ＭＳ1スペクトルに対して質量電荷比m/z−保持時間の２次元平面上でピーク検出を行ってＭＳ1ピークを抽出する。これは試料の相違はあるものの、基本的にはステップＳ１１と同じ処理である。 [Step S21] Collection of MS 1 Measurement Data Derived from the Target Sample First, MS 1 measurement is performed on each of a number of fraction samples prepared from the target sample, and MS 1 spectrum data is collected. Then, the three-dimensional MS 1 spectra MS 1 spectrum arranged in the order of retention time of each fraction sample determined on the two-dimensional plane of the mass-to-charge ratio m / z-retention time with respect to the three-dimensional MS 1 spectrum Peak detection is performed to extract the MS 1 peak. This is basically the same process as step S11, although there are differences in the sample.

［ステップＳ２２］ＭＳ1スペクトルのノイズレベルの評価
次に、ステップＳ１２（Ｓ１２１〜Ｓ１２３）と同様の処理を行うことで、各分画試料に対するＭＳ1スペクトルのノイズレベルをそれぞれ評価する。 [Step S22] Evaluation of Noise Level of MS 1 Spectrum Next, the noise level of the MS 1 spectrum for each fraction sample is evaluated by performing the same processing as in Step S12 (S121 to S123).

［ステップＳ２３］ＭＳ1ピークのＳＮ比の算出
ステップＳ２１で抽出されたＭＳ1ピーク毎に、そのピーク強度と該ピークが存在する分画試料に対してステップＳ２２で算出されたノイズレベルとからＳＮ比を算出する。 [Step S23] MS 1 MS 1 for each peak extracted in calculating step S21 of the peak SN ratio, SN from its peak intensity and the noise level calculated in step S22 with respect to fractionation samples the peak is present Calculate the ratio.

［ステップＳ２４］同定確率推定モデルに基づくＳＮ比からの同定確率の推定
上述したようにパラメータσに基づいて同定確率推定モデル、つまりは図８に示したフィッティング関数が求まる。そして、このフィッティング関数の横軸を各順位に対応するＳＮ比に変換すれば、与えられたＳＮ比に対応する同定確率推定値ｐ1（ｒ(1)）が求まるカーブが得られる。ここで ｒ(1)はＭＳ1ピークのＳＮ比である。各順位をＳＮ比に変換するためには、例えば、ＭＳ1ピークをＳＮ比に応じてソートする際に得られる順位とＳＮ比との関係を示す情報をテーブル等の形式で保持しておき、このテーブルを用いればよい。図９には、図８に示したフィッティング関数から求めた同定確率推定値ｐ1（ｒ(1)）のカーブを示す。このカーブを用いて、ＭＳ1ピーク毎にそのＳＮ比から同定確率推定値を算出する。なお、この同定確率推定値ｐ1（ｒ(1)）のカーブが滑らかでないのは、同定確率推定モデル作成に使用したＭＳ1ピークのＳＮ比が規則的なものでないからである。 [Step S24] Estimating Identification Probability from S / N Ratio Based on Identification Probability Estimation Model As described above, the identification probability estimation model, that is, the fitting function shown in FIG. Then, if the horizontal axis of this fitting function is converted into an SN ratio corresponding to each rank, a curve from which an identification probability estimated value p 1 (r (1) ) corresponding to the given SN ratio is obtained can be obtained. Here, r (1) is the S / N ratio of the MS 1 peak. In order to convert each rank into an SN ratio, for example, information indicating the relationship between the rank and the SN ratio obtained when sorting the MS 1 peaks according to the SN ratio is held in the form of a table or the like. This table may be used. FIG. 9 shows a curve of the identification probability estimated value p 1 (r (1) ) obtained from the fitting function shown in FIG. Using this curve, an identification probability estimate is calculated from the SN ratio for each MS 1 peak. The reason why the curve of the identification probability estimation value p 1 (r (1) ) is not smooth is that the SN ratio of the MS 1 peak used for creating the identification probability estimation model is not regular.

［ステップＳ２５］データ積算回数を増加させたときの同定確率増分の推定
ステップＳ２４で得られる同定確率推定値ｐ1（ｒ(1)）は、通常の、つまりは同定確率推定モデル作成に用いたＭＳ2スペクトルデータと同条件のデータ積算回数で求めたＭＳ2スペクトルデータを用いた場合の同定確率である。即ち、同定確率推定モデル作成時にはＭＳ2スペクトルデータの積算を行っていないから、１回のＭＳ2測定により得られたデータである。それに対し、同じプリカーサイオンに対してＭＳ2測定をｕ回実行して、それら測定で得られたデータを積算すると、つまりデータ積算回数をｕ倍にすると、ＭＳ2スペクトルのＳＮ比は√ｕ倍になり、同定確率が向上することが期待される。このときの同定確率はＭＳ1ピークのＳＮ比が√ｕ倍になった場合の同定確率にほぼ等しいと考えられる。すると、同じＭＳ1ピークに対してＭＳ2スペクトルデータ積算回数を２倍（ｕ＝２）及び３倍（ｕ＝３）にした際の同定確率は、それぞれｐ1（√２ｒ(1)）、ｐ1（√３ｒ(1)） と表される。したがって、２回目、３回目のＭＳ2スペクトルデータ積算による同定確率の増分推定値はそれぞれ、(7)、(8)式に示すようになる。
ｐ2（ｒ(1)）＝ｐ1（√２ｒ(1)）−ｐ1（ｒ(1)） …(7)
ｐ3（ｒ(1)）＝ｐ1（√３ｒ(1)）−ｐ1（√２ｒ(1)） …(8)
この同定確率増分推定値ｐ2（ｒ(1)）及びｐ3（ｒ(1)）を示すカーブを図９に示す。 [Step S25] Estimation of identification probability increment when the number of data integration is increased The identification probability estimation value p 1 (r (1) ) obtained in step S24 is used for creating an ordinary, that is, identification probability estimation model. it is the probability of identifying when using the MS 2 spectra data obtained in the data accumulation number of MS 2 spectral data the same conditions. That is, since the MS 2 spectrum data is not integrated when the identification probability estimation model is created, the data is obtained by one MS 2 measurement. On the other hand, if MS 2 measurements are performed u times for the same precursor ion and the data obtained by these measurements are integrated, that is, if the number of times of data integration is increased u times, the SN ratio of the MS 2 spectrum will be √u times Therefore, it is expected that the identification probability is improved. The identification probability at this time is considered to be almost equal to the identification probability when the SN ratio of the MS 1 peak is multiplied by √u. Then, the identification probabilities when the number of times of integrating the MS 2 spectrum data with respect to the same MS 1 peak is doubled (u = 2) and tripled (u = 3) are p 1 (√2r (1) ), respectively. p 1 (√3r (1) ). Accordingly, the incremental estimated values of identification probabilities by the second and third MS 2 spectrum data integration are as shown in equations (7) and (8), respectively.
p 2 (r (1) ) = p 1 (√2r (1) ) −p 1 (r (1) ) (7)
p 3 (r (1) ) = p 1 (√3r (1) ) −p 1 (√2r (1) ) (8)
FIG. 9 shows curves indicating the identification probability increment estimated values p 2 (r (1) ) and p 3 (r (1) ).

［ステップＳ２６］各ＭＳ1ピークに対するＭＳ2測定の優先順位の決定
ステップＳ２４において得られた通常のＭＳ2スペクトルデータ積算（この例では積算なし）における各ＭＳ1ピークに対する同定確率推定値と、ステップＳ２５で得られた２回目及び３回目のＭＳ2スペクトルデータ積算における各ＭＳ1ピークに対する同定確率増分推定値とを用いて、ＭＳ2測定を実行する上でプリカーサイオンとして選択するＭＳ1ピークの優先順位を決定する。 [Step S26] and identified probability estimate for each MS 1 peak in normal MS 2 spectral data accumulation obtained in the determination step S24 in the priority of MS 2 measurement for each MS 1 peak (no integration in this example), step The priority of the MS 1 peak to be selected as a precursor ion in performing MS 2 measurement using the identification probability increment estimate for each MS 1 peak in the second and third MS 2 spectral data integration obtained in S25 Determine the ranking.

いま一例として、或る１つの分画試料に対するＭＳ1スペクトル上で、ＰA、ＰB、ＰC、ＰD、ＰEの５個のＭＳ1ピークがプリカーサイオン候補として抽出され、それらＭＳ1ピークのＳＮ比が図１０中に示す位置にある場合を考える。なお、図１０（ａ）は図９と同じグラフであり、図１０（ｂ）は図１０（ａ）に示した各曲線をスムージングして得られたグラフである。ここでは、図１０（ｂ）を用いてＭＳn測定の優先順位を決定するが、図１０（ａ）を用いてもよい。 As an example now on MS 1 spectra for one fractionation sample one, P A, P B, P C, P D, 5 pieces of MS 1 peak of P E are extracted as a precursor ion candidates, their MS 1 Consider a case in which the SN ratio of the peak is at the position shown in FIG. 10A is the same graph as FIG. 9, and FIG. 10B is a graph obtained by smoothing each curve shown in FIG. 10A. Here, the priority order of MS n measurement is determined using FIG. 10B, but FIG. 10A may be used.

図１０（ｂ）において、各ＭＳ1ピークＰA、ＰB、ＰC、ＰD、ＰEに対応して引かれた縦の破線とｐ1（ｒ(1)）、ｐ2（ｒ(1)）、ｐ3（ｒ(1)）の各曲線との交点が、それらＭＳ1ピークにおける同定確率推定値及び同定確率増分推定値である。そこで、同定に成功する確率が高い順に、つまりは図中に白抜き下向き矢印で示す順で、各ＭＳ1ピークの同定確率推定値又は同定確率増分推定値を抽出してゆき、それを、各ＭＳ1ピークをプリカーサイオンとしたＭＳ2測定の優先順位とする。ただし、或る１つのＭＳ1ピークについて同定確率増分推定値は２回目以降のＭＳ2測定にしか適用されないから、同定確率増分推定値が同定確率推定値を上回ってもその同定確率推定値が抽出された後に初めて同定確率増分推定値が抽出されることになる。 In FIG. 10 (b), vertical broken lines drawn corresponding to the respective MS 1 peaks P A , P B , P C , P D , P E and p 1 (r (1) ), p 2 (r ( 1) ), the intersection of p 3 (r (1) ) with each curve is the identification probability estimate and the identification probability increment estimate at those MS 1 peaks. Therefore, the identification probability estimation value or the identification probability increment estimation value of each MS 1 peak is extracted in the descending order of the probability of successful identification, that is, in the order indicated by the white downward arrows in the figure. The MS 2 peak is set as the priority of the MS 2 measurement using the precursor ion as a precursor ion. However, since the identification probability increment estimate value is applied only to the second and subsequent MS 2 measurements for a certain MS 1 peak, the identification probability estimate value is extracted even if the identification probability increment estimate value exceeds the identification probability estimate value. The identification probability increment estimate is extracted for the first time after being performed.

図１０（ｂ）の例では、同定に成功する確率が高い順に、まず、ｐ1（ｒ(1)）の曲線上で４個のＭＳ1ピーク、ＰA→ＰB→ＰC→ＰDが順に抽出される。なお、図１０（ｂ）においてｐ1（ｒ(1)）の曲線上で抽出された点（上記交点）は○印で示している。さらに同定確率が下がる方向に進むと、ｐ1（ｒ(1)）の曲線上のＰEに対応した同定確率推定値よりもｐ2（ｒ(1)）の曲線上のＰDに対応した同定確率増分推定値のほうが値が大きい。これは、ＭＳ1ピークＰEをプリカーサイオンとした１回目のＭＳ2測定を実行するよりも、ＭＳ1ピークＰDをプリカーサイオンとした２回目のＭＳ2測定を実行してＭＳ2スペクトルデータ積算を行ったほうが同定確率が高まることを意味している。そこで、ｐ2（ｒ(1)）の曲線上で１つのＭＳ1ピークＰDを抽出し、引き続いて、同じ理由でｐ2（ｒ(1)）の曲線上で２つのＭＳ1ピーク、ＰC→ＰBを順に抽出する。なお、図１０（ｂ）においてｐ2（ｒ(1)）の曲線上で抽出された点（上記交点）は□印で示している。 In the example of FIG. 10B, in order of increasing probability of identification, first, four MS 1 peaks on the curve of p 1 (r (1) ), P A → P B → P C → P D Are extracted in order. In FIG. 10B, points (intersection points) extracted on the curve of p 1 (r (1) ) are indicated by ◯. When the identification probability further decreases, it corresponds to P D on the curve of p 2 (r (1) ) rather than the estimated probability of identification corresponding to P E on the curve of p 1 (r (1) ). The identification probability increment estimate is larger. This is because the MS 2 spectrum data integration is performed by executing the second MS 2 measurement using the MS 1 peak P D as a precursor ion rather than performing the first MS 2 measurement using the MS 1 peak P E as a precursor ion. This means that the identification probability increases. Therefore, p 2 extracts one MS 1 peak P D on the curve of the (r (1)), followed by the curve on the two MS 1 peak of the same reason p 2 (r (1)) , P Extract C → P B in order. In FIG. 10B, the points (intersection points) extracted on the curve of p 2 (r (1) ) are indicated by □.

さらに同定確率が下がる方向に進むと、ｐ1（ｒ(1)）の曲線上のＰEに対応した同定確率推定値よりもｐ3（ｒ(1)）の曲線上のＰDに対応した同定確率増分推定値のほうが値が大きい。これは、ＭＳ1ピークＰEをプリカーサイオンとした１回目のＭＳ2測定を実行するよりも、ＭＳ1ピークＰDをプリカーサイオンとした３回目のＭＳ2測定を実行してＭＳ2スペクトルデータ積算を行ったほうが同定確率が高まることを意味している。そこで、ｐ3（ｒ(1)）の曲線上で１つのＭＳ1ピークＰDを抽出し、引き続いて、同じ理由でｐ3（ｒ(1)）の曲線上で２つのＭＳ1ピーク、ＰC→ＰBを順に抽出する。なお、図１０（ｂ）においてｐ3（ｒ(1)）の曲線上で抽出された点（交点）は△印で示している。 When the identification probability further decreases, it corresponds to P D on the curve of p 3 (r (1) ) rather than the estimated probability of identification corresponding to P E on the curve of p 1 (r (1) ). The identification probability increment estimate is larger. This than executing the first MS 2 measurement using MS 1 peak P E and the precursor ion, MS 2 spectral data accumulated running third MS 2 measurement using MS 1 peak P D and precursor ion This means that the identification probability increases. Therefore, extracting one MS 1 peak P D on the curve of p 3 (r (1)), followed by the curve on the two MS 1 peak of p 3 for the same reason (r (1)), P Extract C → P B in order. In FIG. 10B, points (intersection points) extracted on the curve of p 3 (r (1) ) are indicated by Δ.

さらに同定確率が下がる方向に進むと、ｐ1（ｒ(1)）の曲線上のＭＳ1ピークＰEに対応した同定確率推定値が最も高いから、ここで初めてｐ1（ｒ(1)）の曲線上のＭＳ1ピークＰEを抽出する。引き続いて、ｐ2（ｒ(1)）の曲線上のＭＳ1ピークＰ E に対応した同定確率推定値よりも高い同定確率を示す、ｐ 1 （ｒ(1)）の曲線上のＭＳ1ピークＰ E を抽出し、同様の理由で次に、ｐ3（ｒ(1)）の曲線上のＭＳ1ピークＰ E を抽出する。 As the identification probability further decreases, the identification probability estimate corresponding to the MS 1 peak P E on the curve of p 1 (r (1) ) is the highest, so here for the first time p 1 (r (1) ). to extract the MS 1 peak P E on the curve. Subsequently, shows a higher identification probability than p 2 (r (1)) identifying probability estimates corresponding to MS 1 peak P E on the curve of, MS 1 peak on the curve of p 1 (r (1)) P E is extracted, and then for the same reason, the MS 1 peak P E on the p 3 (r (1) ) curve is extracted.

即ち、図１０（ｂ）の同定確率推定値及び同定確率増分推定値に従ったＭＳ2測定の優先順位は次のようになる。
（ｉ）ＰA→ＰB→ＰC→ＰDの順に１回目のＭＳ2測定を実行。
（ii）ＰD→ＰC→ＰBの順に２回目のＭＳ2測定を実行し、得られたＭＳ2スペクトルデータを積算。
（iii）ＰD→ＰC→ＰBの順に３回目のＭＳ2測定を実行し、得られたＭＳ2スペクトルデータを積算。
（iv）ＰEに対するＭＳ2測定を実行。
（ｖ）ＰEに対する２回目のＭＳ2測定を実行し、得られたＭＳ2スペクトルデータを積算。
（vi）ＰEに対する３回目のＭＳ2測定を実行し、得られたＭＳ2スペクトルデータを積算。
以上のように、プリカーサイオン候補である複数のＭＳ1ピークのＳＮ比と、同定確率推定モデルに基づく、ＳＮ比と同定確率推定値及び同定確率増分推定値との関係を示す曲線とを用いて、各ＭＳ1ピークを対象とするＭＳ2測定の優先順位を決定することができる。 That is, the priority order of the MS 2 measurement according to the identification probability estimation value and the identification probability increment estimation value of FIG. 10B is as follows.
(I) The first MS 2 measurement is performed in the order of P A → P B → P C → P D.
(Ii) The second MS 2 measurement is executed in the order of P D → P C → P B and the obtained MS 2 spectrum data is integrated.
(Iii) The third MS 2 measurement is executed in the order of P D → P C → P B and the obtained MS 2 spectrum data is integrated.
(Iv) Run the MS 2 measurement for P E.
(V) Execute the second MS 2 measurement for P E and integrate the obtained MS 2 spectrum data.
(Vi) running MS 2 third measurement for P E, integrating the obtained MS 2 spectra data.
As described above, using the S / N ratio of a plurality of MS 1 peaks that are candidate precursor ions, and the curve indicating the relationship between the S / N ratio, the identification probability estimation value, and the identification probability increment estimation value based on the identification probability estimation model , MS 2 measurement priorities for each MS 1 peak can be determined.

［ステップＳ２７］ＭＳ2測定シーケンスの最適化
ステップＳ２６ではＭＳ2測定の優先順位が決定されるが、常に、その優先順位に従って全てのＭＳ2測定を実行可能であるというわけではない。何故なら、一般に、１つの分画試料から得られたＭＳ1スペクトル上でプリカーサイオンとして抽出されるＭＳ1ピークの数は不定であるのに対し、測定時間や同定のためのデータ処理時間或いは測定回数などに制約があるのが一般的であるからである。そこで、１つの分画試料に対するＭＳ2測定回数の条件を与えることにより、複数のプリカーサイオンに対するＭＳ2測定の順序を規定するＭＳ2測定シーケンスの最適化を行う。ここでいう、最適なＭＳ2測定シーケンスとは、与えられたＭＳ2測定回数の制約の下で、同定される物質（この例ではペプチド）の総数の期待値が最大になるような測定シーケンスである。上述した、ＰA、ＰB、ＰC、ＰD、ＰEの５個のＭＳ1ピークがプリカーサイオン候補として存在する場合について例示する。 [Step S27] Optimization of MS 2 Measurement Sequence In step S26, the priority order of MS 2 measurements is determined, but not all MS 2 measurements can always be performed according to the priority order. This is because, in general, the number of MS 1 peaks extracted as a precursor ion on an MS 1 spectrum obtained from one fractionated sample is indefinite, whereas the measurement time, data processing time for identification, or measurement This is because the number of times is generally limited. Therefore, by giving the condition of MS 2 measurement number for one fraction samples, to optimize the MS 2 measurement sequence defining the order of the MS 2 measured for a plurality of precursor ions. The optimal MS 2 measurement sequence here is a measurement sequence that maximizes the expected value of the total number of substances to be identified (peptides in this example) under the constraints of the given number of MS 2 measurements. is there. An example in which the five MS 1 peaks P A , P B , P C , P D , and P E described above are present as precursor ion candidates will be described.

いま１つの分画試料に対して延べ９回のＭＳ2測定が可能であるとする。即ち、ＭＳ2測定回数の制約が９である。ステップＳ２６で定められた優先順位に従えば、（ｉ）〜（iii）のＭＳ2測定の実行が可能である。そこで、ＭＳ1ピークＰAに対しては１回のみのＭＳ2測定を行ってＭＳ2スペクトルデータ積算なしとし、ＭＳ1ピークＰBに対しては２回のＭＳ2測定を行って得られたＭＳ2スペクトルデータを積算（２倍積算）し、ＭＳ1ピークＰC、ＰDに対しては各３回のＭＳ2測定を行って得られたＭＳ2スペクトルデータをそれぞれ積算（３倍積算）するのが、最適なＭＳ2測定シーケンスである。ただし、例えばＭＡＬＤＩ等のイオン源では、同一の分画試料に対して繰り返しＭＳ2測定を行うとサンプルが劣化して信号強度が下がる傾向にあるため、ＳＮ比が相対的に小さいＭＳ1ピークに対して優先的にＭＳ2測定を実行することが好ましい。このようなサンプル劣化を考慮した９回のＭＳ2測定の順序、つまり測定シーケンスは、ＭＳ1ピークＰDに対して３回のＭＳ2測定→ＭＳ1ピークＰCに対して３回のＭＳ2測定→ＭＳ1ピークＰBに対して２回のＭＳ2測定→ＭＳ1ピークＰAに対して１回のみのＭＳ2測定、となる。 Assume that a total of 9 MS 2 measurements can be performed on one fraction sample. That is, the restriction on the number of times of MS 2 measurement is 9. According to the priority order determined in step S26, the MS 2 measurements (i) to (iii) can be performed. Therefore, the MS 1 peak P A was obtained by performing only one MS 2 measurement without MS 2 spectrum data integration, and the MS 1 peak P B was obtained by performing two MS 2 measurements. MS 2 spectrum data is integrated (double integration), and MS 1 peaks P C and P D are respectively integrated with MS 2 spectrum data obtained by performing MS 2 measurements three times (triple integration). It is the optimal MS 2 measurement sequence. However, in an ion source such as MALDI, when MS 2 measurement is repeatedly performed on the same fraction sample, the sample tends to deteriorate and the signal intensity tends to decrease. Therefore, the MS 1 peak has a relatively small SN ratio. It is preferable to perform MS 2 measurement preferentially. The order of such sample degradation consideration the nine MS 2 measurement, i.e. measurement sequence, MS 1 peak P 3 times MS 2 measured against D → MS 1 peak three MS 2 with respect to P C MS 2 measurements only once for two MS 2 measurement → MS 1 peak P a relative measurement → MS 1 peak P B, and becomes.

他の例として、１つの分画試料に対して延べ１２回のＭＳ2測定が可能である場合を考える。即ち、ＭＳ2測定回数の制約が１２である。上記優先順位に従えば、（ｉ）〜（ｖ）までのＭＳ2測定が可能である。そこで、ＭＳ1ピークＰAに対しては１回のみのＭＳ2測定を行ってＭＳ2スペクトルデータ積算なしとし、ＭＳ1ピークＰEに対しては２回のＭＳ2測定を行って得られたＭＳ2スペクトルデータを積算（２倍積算）し、ＭＳ1ピークＰB、ＰC、ＰDに対しては各３回のＭＳ2測定を行って得られたＭＳ2スペクトルデータをそれぞれ積算（３倍積算）するのが、最適なＭＳ2測定シーケンスである。また、サンプル劣化を考慮した１２回のＭＳ2測定の順序、つまり測定シーケンスは、ＭＳ1ピークＰEに対して２回のＭＳ2測定→ＭＳ1ピークＰDに対して３回のＭＳ2測定→ＭＳ1ピークＰCに対して３回のＭＳ2測定→ＭＳ1ピークＰBに対して３回のＭＳ2測定→ＭＳ1ピークＰAに対して１回のみのＭＳ2測定、となる。 As another example, consider a case where a total of 12 MS 2 measurements are possible for one fraction sample. That is, the restriction on the number of times of MS 2 measurement is 12. According to the above priority order, the MS 2 measurement from (i) to (v) is possible. Therefore, the MS 1 peak P A was obtained by performing only one MS 2 measurement without integrating the MS 2 spectrum data, and the MS 1 peak P E by performing two MS 2 measurements. MS 2 spectrum data is accumulated (doubled accumulation), and MS 2 spectrum data obtained by performing MS 2 measurements three times for each of the MS 1 peaks P B , P C , and P D are accumulated (3 It is the optimal MS 2 measurement sequence that doubles). Furthermore, 12 times the order of the MS 2 measured in consideration of sample degradation, i.e. measurement sequence, three MS 2 measured against two MS 2 measurement → MS 1 peak P D relative to MS 1 peak P E → MS 1 peak P C three MS 2 measurement → MS 1 peak P MS 2 measured only once for three MS 2 measurement → MS 1 peak P a against B relative to, and becomes.

即ち、ＭＳ2測定シーケンス最適化のための定性的な基準は次のとおりである。
（１）ＳＮ比が大きいＭＳ1ピークに対しては１回のみのＭＳ2測定を行い、図１０中のｐ2（ｒ(1)）の曲線のピーク付近にＳＮ比が位置するＭＳ1ピークは２回のＭＳ2測定による２倍積算を行い、ｐ3（ｒ(1)）の曲線のピーク付近にＳＮ比が位置するＭＳ1ピークは３回のＭＳ2測定による３倍積算を行うとよい。
（２）ＭＳ2測定実施可能延べ回数が少ないときには、ＭＳ2スペクトルデータ積算の不要な（つまり、ＳＮ比の大きな）ＭＳ1ピークをＭＳ2測定対象として選択する。ＭＳ2測定実施可能延べ回数が増えるに従い、最適なＭＳ2測定回数が２回又は３回である（つまりＳＮ比が相対的に小さい）ＭＳ1ピークについても選択する。 That is, the qualitative criteria for optimizing the MS 2 measurement sequence are as follows.
(1) for SN ratio is larger MS 1 peak performs MS 2 measured only once, MS 1 peak SN ratio near the peak of the curve is located in the p 2 in FIG. 10 (r (1)) Performs a 2-fold integration by two MS 2 measurements, and an MS 1 peak whose SN ratio is located near the peak of the curve of p 3 (r (1) ) performs a 3-fold integration by three MS 2 measurements. Good.
(2) When the total number of MS 2 measurements that can be performed is small, an MS 1 peak that does not require MS 2 spectrum data integration (that is, a large SN ratio) is selected as an MS 2 measurement target. As the total number of MS 2 measurements that can be performed increases, the MS 1 peak that has the optimal number of MS 2 measurements of 2 or 3 (that is, the SN ratio is relatively small) is also selected.

なお、上述した最適なＭＳ2測定シーケンスは、その分画試料に対するＭＳ2測定開始前に、つまりは実際にＭＳ2測定を全く行うことなく求められるものであり、あくまでも既知の同定確率推定モデルを参照して求められたものである。したがって、推定の確度は高いとはいえ、或る分画試料に対して求まった最適なＭＳ2測定シーケンスが絶対的に正しいとは限らない。そこで、或る分画試料に対するＭＳ2測定が途中まで進んだ段階で、それまでの該分画試料に対する同定結果を踏まえて、以降のＭＳ2測定の順序を改めて最適化するようにしてもよい。 The optimal MS 2 measurement sequence described above is obtained before starting MS 2 measurement on the fractionated sample, that is, without actually performing MS 2 measurement at all. It was obtained by reference. Therefore, although the accuracy of the estimation is high, the optimal MS 2 measurement sequence obtained for a certain fraction sample is not always correct. Therefore, when the MS 2 measurement for a certain fraction sample has progressed halfway, the order of subsequent MS 2 measurements may be optimized again based on the identification results for the fraction sample. .

以上のように、本発明に係る物質同定方法によれば、同定確率推定モデルのパラメータを目的試料の測定に先立って求めておくことにより、該同定確率推定モデルを利用した簡易な演算及び処理によって、同定される物質数が最大又はそれに近い状態となるように、複数のＭＳ1ピークをプリカーサイオンとしたＭＳ2測定の適切な順序及び測定回数を、実際のＭＳ2測定実行前に定めることができる。したがって、定められたＭＳ2測定シーケンスに従ってプリカーサイオンを選択しながらＭＳ2測定を実行し、その測定結果を利用して物質同定を実施することにより、きわめて効率的に物質同定を行うことができる。 As described above, according to the substance identification method according to the present invention, the parameters of the identification probability estimation model are obtained prior to the measurement of the target sample, whereby simple calculation and processing using the identification probability estimation model are performed. Before the actual MS 2 measurement is performed, the appropriate order and number of times of MS 2 measurement using a plurality of MS 1 peaks as precursor ions may be determined so that the number of substances to be identified is at or near the maximum. it can. Therefore, material identification can be performed very efficiently by performing MS 2 measurement while selecting a precursor ion according to a predetermined MS 2 measurement sequence and performing material identification using the measurement result.

次に、上記物質同定方法を実施するための質量分析システムの一実施例を図１により説明する。図１は本実施例による質量分析システムの概略構成図である。
図１において、分析部１は、液体試料中の各種物質を保持時間に応じて分離するＬＣ部１１と、ＬＣ部１１で分離された物質を含む試料を分取・分画してそれぞれ異なる分画試料を調製する分取分画部１２と、複数の分画試料のうちの１つを選択して該分画試料に対する質量分析を実行するＭＳ部１３と、を含む。図示しないが、ＭＳ部１３は、ＭＡＬＤＩイオン源、イオントラップ、及び飛行時間型質量分析計（ＴＯＦＭＳ）を含むＭＡＬＤＩ−ＩＴ−ＴＯＦＭＳであり、ＭＳ1測定だけでなく、イオントラップにおいてプリカーサイオン選択と衝突誘起解離（ＣＩＤ）操作とを１乃至複数回繰り返した後にＴＯＦＭＳで質量分析を行うＭＳn測定が可能となっている。ただし、ＭＳ1測定及びＭＳ2測定のみを実行すればよい場合（ｎが３以上のＭＳn測定が不要である場合）には、イオントラップとＴＯＦＭＳとの組み合わせに代えて、三連四重極型質量分析計のような、より簡単な構成の質量分析装置を利用することができる。 Next, an embodiment of a mass spectrometry system for carrying out the substance identification method will be described with reference to FIG. FIG. 1 is a schematic configuration diagram of a mass spectrometry system according to this embodiment.
In FIG. 1, the analysis unit 1 separates and fractionates an LC unit 11 that separates various substances in a liquid sample according to the holding time, and a sample containing the substance separated by the LC unit 11, so The preparative fractionation part 12 which prepares a fraction sample, and the MS part 13 which selects one of several fraction samples and performs mass spectrometry with respect to this fraction sample are included. Although not shown, MS 13, MALDI ion source, a MALDI-IT-TOFMS comprising an ion trap, and time-of-flight mass spectrometer (TOFMS), not only the MS 1 measurement, the precursor ion selected in the ion trap It is possible to perform MS n measurement by performing mass spectrometry with TOFMS after repeating the collision-induced dissociation (CID) operation one or more times. However, when only MS 1 measurement and MS 2 measurement need be performed (when MS n measurement with n equal to or greater than 3 is not required), a triple quadrupole is used instead of the combination of the ion trap and TOFMS. A mass spectrometer having a simpler configuration such as a mass spectrometer can be used.

制御部２は上記分析部１中の各部の動作をそれぞれ制御する。分析部１のＭＳ部１３で得られたデータはデータ処理部３に入力され、データ処理部３で処理されて例えばその結果が表示部４に出力される。データ処理部３は機能ブロックとして、ＭＳ1スペクトルデータやＭＳnスペクトルデータなどの測定データを収集するスペクトルデータ収集部３１、上記ステップＳ１２〜Ｓ１６に対応した処理を実行する同定確率推定モデル構築部３２、同定確率推定モデル構築部３２により得られたパラメータを記憶しておく同定確率推定パラメータ記憶部３３、上記ステップＳ２２〜Ｓ２４に対応した処理を実行する同定確率推定値算出部３４、上記ステップＳ２５に対応した処理を実行する同定確率増分算出部３５、上記ステップＳ２６に対応した処理を実行するＭＳn測定優先順位決定部３６、上記ステップＳ２７に対応した処理を実行するＭＳn測定シーケンス最適化部３７、及び所定のアルゴリズムに従って同定処理を実行する同定処理部３８、を含む。なお、データ処理部３や制御部２は、パーソナルコンピュータをハードウエア資源とし、該パーソナルコンピュータにインストールされた専用の制御・処理ソフトウエアを実行することにより、上記のような各機能ブロックが具現化される構成とすることができる。 The control unit 2 controls the operation of each unit in the analysis unit 1. Data obtained by the MS unit 13 of the analysis unit 1 is input to the data processing unit 3, processed by the data processing unit 3, and the result is output to the display unit 4, for example. The data processing unit 3 includes, as functional blocks, a spectral data collection unit 31 that collects measurement data such as MS 1 spectral data and MS n spectral data, and an identification probability estimation model construction unit 32 that executes processing corresponding to steps S12 to S16. The identification probability estimation parameter storage unit 33 for storing the parameters obtained by the identification probability estimation model construction unit 32, the identification probability estimation value calculation unit 34 for executing the processing corresponding to the above steps S22 to S24, and the above step S25 An identification probability increment calculating unit 35 that executes the corresponding process, an MS n measurement priority determining unit 36 that executes the process corresponding to step S26, and an MS n measurement sequence optimization unit 37 that executes the process corresponding to step S27. , And an identification processing unit 38 that executes identification processing according to a predetermined algorithm Including the. The data processing unit 3 and the control unit 2 use the personal computer as hardware resources, and execute the dedicated control / processing software installed in the personal computer, thereby realizing the above functional blocks. Can be configured.

目的試料に対する網羅的同定を実行するに先立って、制御部２の制御の下に分析部１は同定確率推定モデル構築用試料から得られる各分画試料に対するＭＳ1測定、ＭＳ2測定を実行する。同定処理部３８は、収集されたＭＳ1、ＭＳ2スペクトルデータに基づいて同定処理を実行し、同定確率推定モデル構築部３２はそれらスペクトルデータ及び同定結果に基づいて同定確率推定モデルを作成する。そして、この同定確率推定モデルを再現するパラメータが同定確率推定パラメータ記憶部３３に格納される。 Prior to executing exhaustive identification on the target sample, the analysis unit 1 performs MS 1 measurement and MS 2 measurement on each fraction sample obtained from the identification probability estimation model construction sample under the control of the control unit 2. . The identification processing unit 38 executes identification processing based on the collected MS 1 and MS 2 spectrum data, and the identification probability estimation model construction unit 32 creates an identification probability estimation model based on the spectrum data and the identification result. Then, parameters for reproducing the identification probability estimation model are stored in the identification probability estimation parameter storage unit 33.

目的試料に対する網羅的同定時には、制御部２の制御の下に分析部１は、まず、目的試料から得られる各分画試料に対するＭＳ1測定を実行し、スペクトルデータ収集部３１はＭＳ1スペクトルデータを収集する。同定確率推定値算出部３４は、各分画試料に対するＭＳ1スペクトルデータ毎に、同定確率推定パラメータ記憶部３３から読み出したパラメータに基づき再現した同定確率推定モデルを利用して、プリカーサイオン候補である複数のＭＳ1ピークの同定確率推定値を算出する。また、同定確率増分算出部３５は、同じ同定確率推定モデルを利用して、ＭＳ1ピークに対する２回目、３回目のＭＳ2測定を実行してデータ積算を行ったと仮定した場合の同定確率増分推定値を算出する。そして、ＭＳn測定優先順位決定部３６は、分画試料毎に、複数のＭＳ1ピークに対する同定確率推定値及び同定確率増分推定値からＭＳ2測定の優先順位を決定する。ＭＳn測定シーケンス最適化部３７は与えられたＭＳn測定回数条件やサンプル劣化の考慮有無などの付加的な条件に従って、同定される物質数が最大となるような最適なＭＳ2測定シーケンスを分画試料毎に求める。 At the time of comprehensive identification with respect to the target sample, the analysis unit 1 first performs MS 1 measurement on each fraction sample obtained from the target sample under the control of the control unit 2, and the spectrum data collection unit 31 performs MS 1 spectral data. To collect. The identification probability estimated value calculation unit 34 is a precursor ion candidate using an identification probability estimation model reproduced based on the parameters read from the identification probability estimation parameter storage unit 33 for each MS 1 spectrum data for each fractionated sample. An identification probability estimate of a plurality of MS 1 peaks is calculated. Further, the identification probability increment calculation unit 35 uses the same identification probability estimation model and estimates the identification probability increment when it is assumed that the second and third MS 2 measurements are performed on the MS 1 peak and the data integration is performed. Calculate the value. Then, the MS n measurement priority order determination unit 36 determines the priority order of the MS 2 measurement from the identification probability estimation values and the identification probability increment estimation values for a plurality of MS 1 peaks for each fractionated sample. The MS n measurement sequence optimizing unit 37 classifies an optimal MS 2 measurement sequence that maximizes the number of substances to be identified according to additional conditions such as given MS n measurement frequency conditions and sample deterioration considerations. Obtain for each sample.

上述したように分画試料毎に求まった最適なＭＳ2測定シーケンスは制御部２に送出され、制御部２はこのＭＳ2測定シーケンスに従って分析部１を制御することにより、目的試料から得られる各分画試料に対するＭＳ2測定を実行する。同定処理部３８は、先に収集された目的試料由来の各分画試料に対するＭＳ1スペクトルデータと、新たに収集された目的試料由来の各分画試料に対するＭＳ2スペクトルデータとに基づいて同定処理を実行し、目的試料中の物質の同定を実行する。その同定結果は表示部４の画面上に表示される。以上のようにして、本実施例の質量分析システムでは、限られた測定時間又は測定回数で、より多数の物質の同定に至ることができる。 As described above, the optimum MS 2 measurement sequence obtained for each fractionated sample is sent to the control unit 2, and the control unit 2 controls the analysis unit 1 in accordance with the MS 2 measurement sequence to obtain each of the target samples. Perform MS 2 measurements on the fractionated samples. The identification processing unit 38 performs identification processing based on the previously collected MS 1 spectrum data for each fraction sample derived from the target sample and the MS 2 spectrum data for each fraction sample derived from the target sample newly collected. To execute the identification of the substance in the target sample. The identification result is displayed on the screen of the display unit 4. As described above, in the mass spectrometry system of this embodiment, it is possible to identify a larger number of substances with a limited measurement time or number of measurements.

以上説明した実施例の動作は、最適なＭＳ2測定シーケンスが求まったあとに該シーケンスに従って自動的にＭＳ2測定が実行されるようにしたものであるが、最適なＭＳn測定シーケンスを表示部４の画面上に一旦表示し、ユーザ（分析担当者）によるＭＳ2測定実行指示を受けて初めて目的試料に対するＭＳ2測定及び同定処理を実行するようにしてもよい。こうした構成とすれば、ユーザが自らの判断や経験に従ってＭＳ2測定シーケンスを適宜に手直ししてＭＳ2測定を実行させるようにすることができる。 The operation of the embodiment described above is such that after the optimum MS 2 measurement sequence is obtained, the MS 2 measurement is automatically executed according to the sequence. The optimum MS n measurement sequence is displayed on the display unit. 4 may be temporarily displayed, and the MS 2 measurement and identification process for the target sample may be executed only after receiving the MS 2 measurement execution instruction from the user (analyzer). With such a configuration, the user can appropriately modify the MS 2 measurement sequence in accordance with his / her own judgment and experience to execute the MS 2 measurement.

なお、上記実施例では説明を簡単にするためにＭＳ1ピークの同定確率を推定しその結果からＭＳ2測定シーケンスを求める場合について説明したが、これを拡張してＭＳn-1ピークをプリカーサイオンとしたＭＳn測定を実行する前に、そのＭＳn-1ピーク毎の同定確率を推定し、その結果からＭＳn測定シーケンスを求めることが可能であることは明らかである。 In the above embodiment, for the sake of simplicity, the case where the MS 1 peak identification probability is estimated and the MS 2 measurement sequence is obtained from the result has been described. However, this is extended to convert the MS n-1 peak to the precursor ion. It is clear that the MS n measurement sequence can be obtained from the estimation probability of each MS n-1 peak before the MS n measurement is performed.

また、上記実施例は本発明の一実施例であり、本発明の趣旨の範囲で適宜変形、修正、追加を行っても本願特許請求の範囲に包含されることは当然である。   Moreover, the said Example is one Example of this invention, and even if it changes suitably in the range of the meaning of this invention, correction, and addition, it is natural that it is included in the claim of this application.

１…分析部
１１…ＬＣ部
１２…分取分画部
１３…ＭＳ部
２…制御部
３…データ処理部
３１…スペクトルデータ収集部
３２…同定確率推定モデル構築部
３３…同定確率推定パラメータ記憶部
３４…同定確率推定値算出部
３５…同定確率増分算出部
３６…ＭＳn測定優先順位決定部
３７…ＭＳn測定シーケンス最適化部
３８…同定処理部
４…表示部 DESCRIPTION OF SYMBOLS 1 ... Analysis part 11 ... LC part 12 ... Preparative fractionation part 13 ... MS part 2 ... Control part 3 ... Data processing part 31 ... Spectral data collection part 32 ... Identification probability estimation model construction part 33 ... Identification probability estimation parameter storage part 34 ... identification probability estimation value calculation unit 35 ... identification probability increment calculator 36 ... MS n measurements priority determining unit 37 ... MS n measurement sequence optimization unit 38 ... identification processing unit 4 ... display unit

Claims (12)

各種物質が含まれる試料を分離用パラメータに従って分離し分画することで得られた複数の分画試料に対しＭＳn測定（ｎは２以上の整数）をそれぞれ実行することで得られたＭＳnスペクトルに基づいて、各分画試料に含まれる物質を同定する物質同定方法であって、
a)所定の試料から得られた複数の分画試料に対するＭＳn-1測定により求まるＭＳn-1ピークのＳＮ比、及び該各ＭＳn-1ピークをプリカーサイオンとして実行されたＭＳn測定の結果に基づく物質同定の結果を利用して、同種試料に由来するＭＳn-1ピークのＳＮ比と複数のＭＳn-1ピークをＳＮ比順に従ってプリカーサイオンとして選択してＭＳn測定及び同定を実行していったときに充分な確度で何らかの物質が同定できたピークの累積数との関係を示す同定確率推定モデルを求め、該同定確率推定モデルを表現する同定確率推定モデル情報を記憶する同定確率推定モデル構築ステップと、
b)同定対象である目的試料から得られた少なくとも１つの分画試料に対するＭＳn-1測定が終了した状況で、そのＭＳn-1測定により求まったＭＳn-1ピークの中で、プリカーサイオンの候補となる複数のＭＳn-1ピークについてそれぞれＳＮ比を算出するピークＳＮ比算出ステップと、
c)前記同定確率推定モデル情報より求まる同定確率推定モデルを参照して、前記ピークＳＮ比算出ステップで算出されたＭＳn-1ピークのＳＮ比から該ＭＳn-1ピークの同定確率推定値を算出する同定確率推定ステップと、
d)前記プリカーサイオン候補となる複数のＭＳn-1ピークについてそれぞれ推定された同定確率推定値を用いて、該複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定するＭＳn測定順位決定ステップと、
を有することを特徴とする物質同定方法。
MS n to a sample that contains various substances for a plurality of fractions sample obtained by fractionating the separated fraction according separation parameter obtained by performing MS n measurements (n is an integer of 2 or more), respectively A substance identification method for identifying a substance contained in each fractionated sample based on a spectrum,
a) S / N ratio of MS n-1 peak obtained by MS n-1 measurement for a plurality of fraction samples obtained from a predetermined sample, and MS n measurement performed using each MS n-1 peak as a precursor ion Using the results of substance identification based on the results, MS n measurement and identification are performed by selecting the MS n-1 peak SN ratio and multiple MS n-1 peaks derived from the same sample as precursor ions according to the SN ratio order. seeking identification probability estimation model showing the relationship between the cumulative number of peaks some substance could be identified in sufficient accuracy when began to run, and stores the identification probability estimation model information representing the said identification probability estimation model identification A probability estimation model construction step;
b) When MS n-1 measurement is completed for at least one fraction sample obtained from the target sample to be identified, among the MS n-1 peaks obtained by the MS n-1 measurement, the precursor ion A peak SN ratio calculating step for calculating an SN ratio for each of a plurality of MS n-1 peaks that are candidates for
c) Referring to the identification probability estimation model obtained from the identification probability estimation model information, the MS n-1 peak identification probability estimation value is calculated from the MS n-1 peak SN ratio calculated in the peak SN ratio calculation step. An identification probability estimation step to be calculated;
d) using said identified probability estimation value estimated respectively for a plurality of MS n-1 peak as a precursor ion candidate, MS n measurements order to determine the priority of MS n measurements for MS n-1 peak of the plurality of A decision step;
A substance identification method characterized by comprising:
請求項１に記載の物質同定方法であって、
前記プリカーサイオン候補となる複数のＭＳn-1ピークについて前記同定確率推定ステップにおいてそれぞれ推定された同定確率推定値に基づいて、同一のＭＳn-1ピークに対するＭＳn測定を複数回行ってその測定結果を積算したときの同定確率の増加度合である同定確率増分推定値を求める同定確率増分推定ステップをさらに有し、
前記ＭＳn測定順位決定ステップでは、前記同定確率推定ステップによる各ＭＳn-1ピークの同定確率推定値と、前記同定確率増分推定ステップによる同定確率増分推定値とに基づいて、同一ＭＳn-1ピークに対する複数回のＭＳn測定を許容する条件の下で複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定することを特徴とする物質同定方法。 The method for identifying a substance according to claim 1,
Based on the identification probability estimation values estimated in the identification probability estimation step for a plurality of MS n-1 peaks that are candidates for the precursor ion, the MS n measurement for the same MS n-1 peak is performed a plurality of times and the measurement is performed. An identification probability increment estimation step for obtaining an identification probability increment estimate that is an increase degree of the identification probability when the results are integrated;
In the MS n measurement order determination step, based on the identification probability estimation value of each MS n-1 peak in the identification probability estimation step and the identification probability increment estimation value in the identification probability increment estimation step, the same MS n-1 A substance identification method, wherein priority of MS n measurement for a plurality of MS n-1 peaks is determined under a condition that allows a plurality of MS n measurements for a peak. 請求項２に記載の物質同定方法であって、
１つの分画試料に対するＭＳn測定実行回数の上限の下で、前記ＭＳn測定順位決定ステップで決定された優先順位と各ＭＳn-1ピークのＳＮ比とに基づいて、複数のＭＳn-1ピークに対するＭＳn測定を実行するための測定シーケンスを決定するＭＳn測定シーケンス決定ステップを有することを特徴とする物質同定方法。
The method of identifying a substance according to claim 2,
Based on the priority determined in the MS n measurement order determination step and the S / N ratio of each MS n-1 peak under the upper limit of the number of MS n measurements performed on one fractionated sample, a plurality of MS n− material identification method characterized by having a MS n measurement sequence determining step of determining a measurement sequence for performing MS n measurements for one peak.
請求項１〜３のいずれかに記載の物質同定方法であって、
前記目的試料に対する測定に先立って前記所定の試料に対する測定を実行し、前記同定確率モデル構築ステップではその測定結果に基づいて同定確率推定モデルを作成することを特徴とする物質同定方法。 The substance identification method according to any one of claims 1 to 3,
A substance identification method comprising: performing measurement on the predetermined sample prior to measurement on the target sample, and creating an identification probability estimation model based on the measurement result in the identification probability model construction step. 請求項２又は３に記載の物質同定方法であって、
前記分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出ステップ、前記同定確率推定ステップ、前記ＭＳn測定順位決定ステップ、及びＭＳn測定シーケンス決定ステップによる一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定することを特徴とする物質同定方法。 The substance identification method according to claim 2 or 3,
Prior to execution of MS n measurement on the fractionated sample, the fractionation is performed by a series of processes by the peak SN ratio calculation step, the identification probability estimation step, the MS n measurement rank determination step, and the MS n measurement sequence determination step. A substance identification method characterized by determining a measurement sequence of MS n measurement for a sample. 請求項５に記載の物質同定方法であって、
前記分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出ステップ、前記同定確率推定ステップ、前記ＭＳn測定順位決定ステップ、及びＭＳn測定シーケンス決定ステップによる一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定するとともに、該測定シーケンスに従ってＭＳn測定を開始しその測定の途中段階で得られた同定結果を利用してその測定シーケンスを変更することを特徴とする物質同定方法。 The substance identification method according to claim 5,
Prior to execution of MS n measurement on the fractionated sample, the fractionation is performed by a series of processes by the peak SN ratio calculation step, the identification probability estimation step, the MS n measurement rank determination step, and the MS n measurement sequence determination step. substances with determining the measurement sequence of MS n measurements for the sample, and changes the measurement sequence using the identification result obtained by the started MS n measurements middle stage of the measurement in accordance with the measurement sequence Identification method. 各種物質が含まれる試料を分離用パラメータに従って分離し分画することで得られた複数の分画試料に対しＭＳn測定（ｎは２以上の整数）をそれぞれ実行することで得られたＭＳnスペクトルに基づいて、各分画試料に含まれる物質を同定するために用いられる質量分析システムであって、
a)所定の試料から得られた複数の分画試料に対するＭＳn-1測定により求まるＭＳn-1ピークのＳＮ比、及び該各ＭＳn-1ピークをプリカーサイオンとして実行されたＭＳn測定の結果に基づく物質同定の結果を利用して求められた、同種試料に由来するＭＳn-1ピークのＳＮ比と複数のＭＳn-1ピークをＳＮ比順に従ってプリカーサイオンとして選択してＭＳn測定及び同定を実行していったときに充分な確度で何らかの物質が同定できたピークの累積数との関係を示す同定確率推定モデルを表現する同定確率推定モデル情報を記憶しておく同定確率推定モデル情報記憶手段と、
b)同定対象である目的試料から得られた少なくとも１つの分画試料に対するＭＳn-1測定が終了した状況で該分画試料に対するＭＳn測定を実行するに先立って、そのＭＳn-1測定により求まったＭＳn-1ピークの中で、プリカーサイオンの候補となる複数のＭＳn-1ピークについてそれぞれＳＮ比を算出するピークＳＮ比算出手段と、
c)前記同定確率推定モデル情報より求まる同定確率推定モデルを参照して、前記ピークＳＮ比算出手段で算出されたＭＳn-1ピークのＳＮ比から該ＭＳn-1ピークの同定確率推定値を算出する同定確率推定手段と、
d)前記プリカーサイオン候補となる複数のＭＳn-1ピークについてそれぞれ推定された同定確率推定値を用いて、該複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定するＭＳn測定順位決定手段と、
を備え、前記ＭＳn測定順位決定手段で決定された優先順位に従って前記分画試料に対するＭＳn測定を実行することを特徴とする質量分析システム。
MS n to a sample that contains various substances for a plurality of fractions sample obtained by fractionating the separated fraction according separation parameter obtained by performing MS n measurements (n is an integer of 2 or more), respectively A mass spectrometry system used to identify substances contained in each fractionated sample based on a spectrum,
a) S / N ratio of MS n-1 peak obtained by MS n-1 measurement for a plurality of fraction samples obtained from a predetermined sample, and MS n measurement performed using each MS n-1 peak as a precursor ion MS n measurement by selecting the MS n-1 peak SN ratio and multiple MS n-1 peaks derived from the same type of sample as precursor ions according to the SN ratio order, obtained using the results of substance identification based on the results The identification probability estimation model information that stores the identification probability estimation model information representing the relationship with the cumulative number of peaks in which any substance can be identified with sufficient accuracy when the identification is executed Information storage means;
b) Prior to performing MS n measurement on the fraction sample in a situation where MS n-1 measurement on at least one fraction sample obtained from the target sample to be identified is completed, the MS n-1 measurement is performed. Peak SN ratio calculating means for calculating an SN ratio for each of a plurality of MS n-1 peaks that are candidates for a precursor ion among the MS n-1 peaks obtained by
c) Referring to the identification probability estimation model obtained from the identification probability estimation model information, the MS n-1 peak identification probability estimation value is calculated from the MS n-1 peak SN ratio calculated by the peak SN ratio calculation means. An identification probability estimating means for calculating;
d) using said identified probability estimation value estimated respectively for a plurality of MS n-1 peak as a precursor ion candidate, MS n measurements order to determine the priority of MS n measurements for MS n-1 peak of the plurality of A determination means;
And performing MS n measurement on the fractionated sample in accordance with the priority order determined by the MS n measurement order determining means.
請求項７に記載の質量分析システムであって、
前記プリカーサイオン候補となる複数のＭＳn-1ピークについて前記同定確率推定手段においてそれぞれ推定された同定確率推定値に基づいて、同一のＭＳn-1ピークに対するＭＳn測定を複数回行ってその測定結果を積算したときの同定確率の増加度合である同定確率増分推定値を求める同定確率増分推定手段をさらに有し、
前記ＭＳn測定順位決定手段は、前記同定確率推定手段による各ＭＳn-1ピークの同定確率推定値と、前記同定確率増分推定手段による同定確率増分推定値とに基づいて、同一ＭＳn-1ピークに対する複数回のＭＳn測定を許容する条件の下で複数のＭＳn-1ピークに対するＭＳn測定の優先順位を決定することを特徴とする質量分析システム。 The mass spectrometry system according to claim 7,
Based on the identification probability estimation values estimated by the identification probability estimation means for a plurality of MS n-1 peaks that are candidates for the precursor ion, the MS n measurement for the same MS n-1 peak is performed a plurality of times and the measurement is performed. An identification probability increment estimation means for obtaining an identification probability increment estimate that is an increase degree of the identification probability when the results are integrated;
The MS n measurement rank determining means is configured to identify the same MS n-1 based on the identification probability estimated value of each MS n-1 peak by the identification probability estimating means and the identification probability increment estimated value by the identification probability increment estimating means. A mass spectrometric system, wherein priority of MS n measurement for a plurality of MS n-1 peaks is determined under a condition allowing a plurality of MS n measurements for a peak. 請求項８に記載の質量分析システムであって、
１つの分画試料に対するＭＳn測定実行回数の上限の下で、前記ＭＳn測定順位決定手段により決定された優先順位と各ＭＳn-1ピークのＳＮ比とに基づいて、複数のＭＳn-1ピークに対するＭＳn測定を実行するための測定シーケンスを決定するＭＳn測定シーケンス決定手段と、
決定された前記測定シーケンスに従って前記分画試料に対するＭＳn測定を実行するＭＳn測定実行制御手段と、
をさらに備えることを特徴とする質量分析システム。 The mass spectrometric system according to claim 8,
Based on the priority determined by the MS n measurement order determination means and the S / N ratio of each MS n-1 peak under the upper limit of the number of times of performing MS n measurement for one fractionated sample, a plurality of MS n− MS n measurement sequence determining means for determining a measurement sequence for performing MS n measurement for one peak;
MS n measurement execution control means for executing MS n measurement on the fractionated sample according to the determined measurement sequence;
The mass spectrometric system further comprising: 請求項７〜９のいずれかに記載の質量分析システムであって、
前記目的試料に対する測定に先立って前記所定の試料に対する測定を実行し、前記同定確率モデル構築手段はその測定結果に基づいて同定確率推定モデルを作成することを特徴とする質量分析システム。 A mass spectrometry system according to any one of claims 7 to 9,
Prior to measurement on the target sample, the measurement is performed on the predetermined sample, and the identification probability model construction unit creates an identification probability estimation model based on the measurement result. 請求項８又は９に記載の質量分析システムであって、
前記分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出手段、前記同定確率推定手段、前記ＭＳn測定順位決定手段、及びＭＳn測定シーケンス決定手段による一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定することを特徴とする質量分析システム。 The mass spectrometry system according to claim 8 or 9, wherein
Prior to the execution of MS n measurement on the fractionated sample, the fractionation is performed by a series of processes by the peak SNR calculation means, the identification probability estimation means, the MS n measurement rank determination means, and the MS n measurement sequence determination means. A mass spectrometry system characterized by determining a measurement sequence of MS n measurement for a sample. 請求項１１に記載の質量分析システムであって、
前記分画試料に対するＭＳn測定の実行に先立って、前記ピークＳＮ比算出手段、前記同定確率推定手段、前記ＭＳn測定順位決定手段、及びＭＳn測定シーケンス決定手段による一連の処理により該分画試料に対するＭＳn測定の測定シーケンスを決定するとともに、該測定シーケンスに従ってＭＳn測定を開始しその測定の途中段階で得られた同定結果を利用してその測定シーケンスを変更することを特徴とする質量分析システム。 The mass spectrometry system of claim 11, comprising:
Prior to the execution of MS n measurement on the fractionated sample, the fractionation is performed by a series of processes by the peak SNR calculation means, the identification probability estimation means, the MS n measurement rank determination means, and the MS n measurement sequence determination means. and it determines the measurement sequence of MS n measurements on a sample, mass and changes the measurement sequence using the identification result obtained by the started MS n measurements middle stage of the measurement in accordance with the measurement sequence Analysis system.
JP2012064806A 2012-03-22 2012-03-22 Substance identification method and mass spectrometry system used in the method Active JP5786776B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2012064806A JP5786776B2 (en) 2012-03-22 2012-03-22 Substance identification method and mass spectrometry system used in the method
US13/848,324 US9520277B2 (en) 2012-03-22 2013-03-21 Substance identification method and mass spectrometry system used for the same method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012064806A JP5786776B2 (en) 2012-03-22 2012-03-22 Substance identification method and mass spectrometry system used in the method

Publications (3)

Publication Number Publication Date
JP2013195317A JP2013195317A (en) 2013-09-30
JP2013195317A5 JP2013195317A5 (en) 2014-07-10
JP5786776B2 true JP5786776B2 (en) 2015-09-30

Family

ID=49212998

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012064806A Active JP5786776B2 (en) 2012-03-22 2012-03-22 Substance identification method and mass spectrometry system used in the method

Country Status (2)

Country Link
US (1) US9520277B2 (en)
JP (1) JP5786776B2 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6136771B2 (en) * 2013-08-30 2017-05-31 株式会社島津製作所 Substance identification method and mass spectrometer using the method
JP6229529B2 (en) * 2014-02-19 2017-11-15 株式会社島津製作所 Ion trap mass spectrometer and ion trap mass spectrometer method
WO2015189546A1 (en) * 2014-06-11 2015-12-17 Micromass Uk Limited Flagging adc coalescence
JP6465190B2 (en) * 2017-10-31 2019-02-06 株式会社島津製作所 Mass spectrometry method and mass spectrometer

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3766391B2 (en) 2003-02-27 2006-04-12 株式会社日立ハイテクノロジーズ Mass spectrometry spectrum analysis system
US7473892B2 (en) * 2003-08-13 2009-01-06 Hitachi High-Technologies Corporation Mass spectrometer system
JP4843250B2 (en) * 2005-05-13 2011-12-21 株式会社日立ハイテクノロジーズ Method for identifying substances using mass spectrometry
EP2447980B1 (en) * 2010-11-02 2019-05-22 Thermo Fisher Scientific (Bremen) GmbH Method of generating a mass spectrum having improved resolving power
JP5655758B2 (en) * 2011-10-17 2015-01-21 株式会社島津製作所 Mass spectrometer
JP5682540B2 (en) * 2011-11-08 2015-03-11 株式会社島津製作所 Mass spectrometry data processing method, mass spectrometry data processing apparatus, and mass spectrometry apparatus
US8530831B1 (en) * 2012-03-13 2013-09-10 Wisconsin Alumni Research Foundation Probability-based mass spectrometry data acquisition

Also Published As

Publication number Publication date
JP2013195317A (en) 2013-09-30
US20130253848A1 (en) 2013-09-26
US9520277B2 (en) 2016-12-13

Similar Documents

Publication Publication Date Title
JP6136771B2 (en) Substance identification method and mass spectrometer using the method
CN107066789B (en) Use of windowed mass spectrometry data for retention time determination or validation
JP5682540B2 (en) Mass spectrometry data processing method, mass spectrometry data processing apparatus, and mass spectrometry apparatus
US20140361159A1 (en) Isotopic Pattern Recognition
JP5327388B2 (en) Analytical data processing method and apparatus
EP3098599A1 (en) Tandem mass spectrometry data processing device
JP5786776B2 (en) Substance identification method and mass spectrometry system used in the method
JP5655758B2 (en) Mass spectrometer
JP6146211B2 (en) Mass spectrometry data processing method and mass spectrometer using the method
US7529630B2 (en) Method of analyzing mass analysis data and apparatus for the method
JP4058449B2 (en) Mass spectrometry method and mass spectrometer
JP2018504601A (en) Detection of mass spectrometry based on similarity via curve subtraction
EP3745444A1 (en) Operating a mass spectrometer utilizing mass spectral database search
KR101311412B1 (en) New Bioinformatics Platform for High-Throughput Profiling of N-Glycans
JP2005181011A (en) Method of analyzing protein
JP7334788B2 (en) WAVEFORM ANALYSIS METHOD AND WAVEFORM ANALYSIS DEVICE
JP5821670B2 (en) Amino acid sequence analysis method and apparatus
US11694884B2 (en) Mass spectral analysis of large molecules
JP5150370B2 (en) Mass spectrometry system and mass spectrometry method
JP4839248B2 (en) Mass spectrometry system
JP2024025755A (en) Method and mass spectrometry system for acquiring mass spectral data
JP2024025779A (en) Method and mass spectrometry system for acquiring mass spectral data
CN113740408A (en) Method and apparatus for determining interference in MS scan data, filtering ions, and performing mass spectrometry on samples
CN117461087A (en) Method and apparatus for identifying molecular species in mass spectra
CN117242527A (en) Peak integration by integration parameter iteration

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140527

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140527

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20150226

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150324

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150420

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150630

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150713

R151 Written notification of patent or utility model registration

Ref document number: 5786776

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151